信道预测方法初识

信道预测方法学习总结

在通信系统中，获取完美的CSI，对于通信系统有着至关重要的作用。如果所发送的CSI由于信道的波动而变得可能过时，则信道预测变得重要，即，需要将CSI的预测发送到发射机以改善MIMO系统的性能。信道预测助于改善在发射机或接收机处执行的各种操作的性能，如自适应编码和调制，解码处理，信道均衡和天线波束成形。

基本的MIMO系统CSI预测框图如图所示：

信道预测策略

核心算法是：通过当前和过去CSI的信息来完成信道的预测，并且为此，需要模型来表示衰落信道的动态。 在获得信道的估计之后，可以估计信道模型的参数，并且因此可以借助于这些估计的信道模型完成对CSI的预测。 根据文献，预测方案可分为以下三种：（1）参数无线电信道模型，（2）基于自回归模型的预测（3）带宽扩展。

无线电信道参数模型（PRC）

于参数无线电信道的方法适用于快速衰落信道，这些参数的估计有助于将信道外推到未来。 该方法将信道视为具有不同幅度，相位和多普勒频率的复杂正弦波的加权和。 该模型也称为正弦波叠加模型。PRC模型的参数估计可以通过使用基于子空间的方法来完成。 常用的基于子空间的方法是ESPRIT，MUSIC和Root-MUSIC。 这些方法首先用于单输入单输出（SISO）系统，然后扩展到MIMO系统。

自回归模型预测（AR）

在基于AR的方法中，通过过去信道估计的加权线性组求解多径信道预测。 这里，基本上计算权重以获得最小的均方误差（MSE），并且需要知道信道自相关函数。自相关函数可以是时变的，也可以是现实中未知的，它们可以从Yule Walker方程，Burg方法，协方差和修正的协方差方法估算出来。可以通过自适应滤波技术（如卡尔曼滤波器，最小均方（LMS）和递归最小二乘（RLS来跟踪信道系数的变化。基于AR的方法被广泛用于SISO信道预测. 在MIMO系统的情况下，MIMO信道可以被视为并行SISO信道，并且单独的MMSE预测器可以应用于每个单独的SISO信道。在《slepian subspace projection in time and frequency for time-variant channel estimation》中，作者提出了一种通用的MIMO-OFDM信道预测框架和两个预测器，即前向逐步子集（FSS）预测器和降低复杂度FSS预测器，它们以不同的方式选择自回归（AR）预测器的数据。第一预测器通过最小化预测模型的均方误差（MSE）来选择数据集，第二预测器通过以启发式方式选择数据来降低计算复杂度。

带宽扩展

在该方法中，基本思想是将信号分解为适当的基函数的总和。 基函数可以利用信号的已知部分完成求解，并且最终在模型中用于预测。相关研究使用傅里叶基础扩展来分解时变信道，但傅里叶基础遭受与矩形窗口相关的频谱泄漏问题。通过另一个低频基线（即离散长椭球波序列（DPSS））可以更好地表示时变信道。使用带限扩展方法预测MIMO信道仍然是一个研究领域。