基于压缩感知的Massive mmWave Massive MIMO信道估计学习总结

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_43986203/article/details/88389974

最近在学习毫米波大规模MIMO背景下的,基于压缩感知的信道估计算法,在此进行一些总结。

1 奈奎斯特采样率

我们知道,模拟信号转化为数字信号要进行抽样,量化,编码。因此,采样过程必不可少,且十分关键。大家熟悉的采样时奈奎斯特采样定律,即fs=2fm。就可以无失真的恢复出原始信号。这种往往针对于低通信号,而对于带通信号而言,再采用如此的采样频率会造成频谱资源的浪费。因此,也有了带通信号的采样频率,即2fH/n+1 小于等于 fs 小于等于 2fL/n。但是在某些特殊情况下,这样的采样率也会对频谱资源进行浪费。因此,提出压缩感知理论。

2 压缩感知(Compressed Sensing)理论简介

上面介绍到,在某些特殊情况下,即使是带通采样率也会造成频谱资源的浪费,因此引入压缩感知理论。据我所了解,压缩感知理论最开始主要运用于图像压缩中,图像压缩中,先进行像素进行全采样,(采用的是等距采样)然后再舍去携带信息量较少的分量,从而实现压缩。再根据较大携带较大信息量的分量,恢复出原始像素。
在信号采用中,我们也是借鉴于此。主要是在采样过程中,直接就舍去携带信息量较少的分量,实现压缩。往往通过亚采样,(采样的是非等距采样)。再根据携带较大信息量的分量恢复出原始信号。

3 压缩感知的前提条件

压缩感知理论的应用需要具备两个前提条件:
第一:信号必须具有稀疏性。
第二:信号必须满足RIP(约束等距性),

压缩感知理论的相关符号解释

1 x为原始信号,它携带我们所要的信息
2 Φ为观测矩阵,表示压缩感知的采样过程
3 y=Φx,即表示CS采样后的信号

前面提到了CS的前提条件:第一个便是要满足稀疏性。然而,在自然界中,信号往往不表现稀疏性。幸运的是,我们可以对信号进行某种变换(常用的变换为FT),使其在变换域表现稀疏性。

4 x=Ψs,Ψ为稀疏基矩阵,s为稀疏度;与3式子联立,可得
5 y=ΦΨs。

此时,我们已知y,Φ,Ψ三个变量,可以求出稀疏度s。
再根据x=Ψs,恢复出原始信号x。

以上便是压缩感知矩阵的所有符号,以及简单的主要思路

4 CS在mmWave Massvie MIMO中应用介绍

5G通信系统中,根据3Gpp最新的R15标准。我们可以将频段分为两个部分,一个是sub 6GHz,另一个是above 6GHz。根据我们实验室现在的应对情况,对sub 6GHz的频段,我们采用常规的信道估计算法;above 6GHz 以上的频段,信道稀疏性较为明显,我们采用压缩感知,匹配追踪的信道估计算法。

如下图所示:
mmWave Massive MIMO背景下的混合预编码示意图

混合预编码是目前5G通信系统中,折中的一个预编码方案。我们知道,通常,有模拟预编码方案和数字预编码方案;模拟预编码方案特点是开销较小,成本较低,但是精度不高,特别是针对above 6GHz的高频段部分,元器件设计困难。。数字预编码方案特点是开销大,费用高,但精度高。为此采用混合预编码的方案,如上图所示,在基带部分使用模拟预编码,经过RF射频链路(5G中采用混合互联的方式),采用数字预编码,再经过多天线发送出去。在RF预编码,目前研究关注于采用压缩感知的方法,采用码本对AoA/AoD进行划分。再在接收端用观测矩阵对发送信号进行接收。

本文主要对压缩感知的相关总结,在Above 6Ghz中的应用,不详细展开,将在下一篇文章中,进行详细阐述。

展开阅读全文

没有更多推荐了,返回首页