电商网站规划与建设方案,中文wordpress主题下载地址,wordpress快速建站教程视频教程,酒店网站制作MIMO系统
MIMO系统利用多个天线在发送端和接收端之间建立多条独立的信道#xff0c;从而使得同一时间可以传输多个数据流#xff0c;从而使得同一之间可以传输多个数据流#xff0c;提高数据传输速率。
优势
增加传输速率和容量#xff0c;提高信号覆盖范围和抗干扰能力…MIMO系统
MIMO系统利用多个天线在发送端和接收端之间建立多条独立的信道从而使得同一时间可以传输多个数据流从而使得同一之间可以传输多个数据流提高数据传输速率。
优势
增加传输速率和容量提高信号覆盖范围和抗干扰能力增加频谱利用率。
MIMO需要解决的问题
依赖于精确的信道状态信息CSI下行链路CSI在训练期间从用户处获得并通过反馈链路返回给基站系统中有许多天线反馈信道矩阵会很大并且因此会导致过量的开销 FDD的低互换性1各个信道使用不同的频率2每个频率信道需要专门设计硬件来调制和解调各个信道的设备不能互换使用基站需要知道下行链路的信道状态信息依赖于用户根据基站发送的导频信号(CSI-RS)进行信道估计然后将估计的信道状态信息通过反馈链路发送给基站。然而反馈信道矩阵会很大导致过量的开销需要找到一种方法来减少反馈链路的反馈数据。
系统模型
考虑一个天线的用户的基站的FDD大规模MIMO系统。在这个系统中采用 N c N_c Nc个子载波的OFDM。因此第n个载波的用户的下行信号为 y n h n ∼ H v n x n z n y_n h_n \sim^H v_n x_n z_n ynhn∼Hvnxnzn 其中 h ~ n ∈ C N t × 1 \tilde{h}_n \in \mathbb{C}^{N_t \times 1} h~n∈CNt×1是信道频率响应向量 V n ∈ C N t × 1 V_n \in \mathbb{C}^{N_t \times 1} Vn∈CNt×1是预编码向量 x n x_n xn是发射符号 z n z_n zn是加性噪声和干扰 ( ) H ()^H ()H表示共轭转置。 假设基站配备有均匀线性阵列响应向量为 a ( ϕ ) [ 1 , e − j 2 π d λ sin ϕ , … , e − j 2 π d λ ( N t − 1 ) sin ϕ ] \mathbf{a}(\phi) \left[1, e^{-j \frac{2\pi d}{\lambda} \sin \phi}, \ldots, e^{-j \frac{2\pi d}{\lambda} (N_t - 1) \sin \phi} \right] a(ϕ)[1,e−jλ2πdsinϕ,…,e−jλ2πd(Nt−1)sinϕ] 其中 ϕ \phi ϕ是出发角 d d d是相邻天线的距离 λ \lambda λ是载波波长信道可以表示为 h ~ n N t L ∑ l 1 L α l e − j 2 π τ l f s n N c a ( ϕ ) \tilde{h}_n \sqrt{\frac{N_t}{L}} \sum_{l1}^{L} \alpha_l e^{-j 2 \pi \tau_l f_s \frac{n}{N_c}} \mathbf{a}(\phi) h~nLNt l1∑Lαle−j2πτlfsNcna(ϕ) 其中 L L L是下行多路径的数量 a l a_l al代表传播增益 τ l \tau_l τl表示响应的延迟 f s f_s fs是抽样频率在空间频率整个CSI矩阵可以表示为 H ~ [ h ~ 1 , h ~ 2 , … , h ~ N c ] H ∈ C N c × N t . \mathbf{\tilde{H}} [\tilde{\mathbf{h}}_1, \tilde{\mathbf{h}}_2, \ldots, \tilde{\mathbf{h}}_{N_c}]^H \in \mathbb{C}^{N_c \times N_t}. H~[h~1,h~2,…,h~Nc]H∈CNc×Nt.
通过导频训练获得CSI
下行信道一般将CSI-RS序列当做导频序列
导频训练的基本原理 #mermaid-svg-mbb1QjCuuKMgNYxj {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj .error-icon{fill:#552222;}#mermaid-svg-mbb1QjCuuKMgNYxj .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-mbb1QjCuuKMgNYxj .edge-thickness-normal{stroke-width:2px;}#mermaid-svg-mbb1QjCuuKMgNYxj .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-mbb1QjCuuKMgNYxj .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-mbb1QjCuuKMgNYxj .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-mbb1QjCuuKMgNYxj .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-mbb1QjCuuKMgNYxj .marker{fill:#333333;stroke:#333333;}#mermaid-svg-mbb1QjCuuKMgNYxj .marker.cross{stroke:#333333;}#mermaid-svg-mbb1QjCuuKMgNYxj svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-mbb1QjCuuKMgNYxj .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj .cluster-label text{fill:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj .cluster-label span{color:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj .label text,#mermaid-svg-mbb1QjCuuKMgNYxj span{fill:#333;color:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj .node rect,#mermaid-svg-mbb1QjCuuKMgNYxj .node circle,#mermaid-svg-mbb1QjCuuKMgNYxj .node ellipse,#mermaid-svg-mbb1QjCuuKMgNYxj .node polygon,#mermaid-svg-mbb1QjCuuKMgNYxj .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-mbb1QjCuuKMgNYxj .node .label{text-align:center;}#mermaid-svg-mbb1QjCuuKMgNYxj .node.clickable{cursor:pointer;}#mermaid-svg-mbb1QjCuuKMgNYxj .arrowheadPath{fill:#333333;}#mermaid-svg-mbb1QjCuuKMgNYxj .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-mbb1QjCuuKMgNYxj .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-mbb1QjCuuKMgNYxj .edgeLabel{background-color:#e8e8e8;text-align:center;}#mermaid-svg-mbb1QjCuuKMgNYxj .edgeLabel rect{opacity:0.5;background-color:#e8e8e8;fill:#e8e8e8;}#mermaid-svg-mbb1QjCuuKMgNYxj .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-mbb1QjCuuKMgNYxj .cluster text{fill:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj .cluster span{color:#333;}#mermaid-svg-mbb1QjCuuKMgNYxj div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-mbb1QjCuuKMgNYxj :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 发送导频信号 接收导频信号 信道估计 发送导频信号发送端发送已知的导频信号序列。这些导频信号可以是特定的符号或序列它们在发送端和接收端都是已知的。接收导频信号接收端接收到通过信道传输后的导频信号。由于信道的影响接收端的导频信号会包含信道的增益和相位变化。信道估计接收端利用已知的导频和接收到的导频符号通过比较和计算估计出信道的特性即CSI
导频训练过程 基于深度学习的CSI反馈
传统方法
采用压缩感知技术CS:LASSO l1-solver、TVAL3等 存在缺点
严重依赖于信道是稀疏的假设迭代重建方法有很大的复杂性并因此会消耗大量的计算资源
CsiNet方法
使用深度学习方法构建CsiNet。包括CSI感知编码器和恢复网络解码器两个部分
编码器CsiNet通过训练数据从原始的信道矩阵中学习转换来压缩表示码字解码器CsiNet学习将码字转换成原始信道优点相比于传统压缩感知能以更好的恢复质量来恢复CSI,在高压缩率下保持良好性能
相关论文
论文1 2018 IEEE Wireless Communications Letters首次将深度学习引入CSI反馈领域提出CSiNet模型
论文2 2020IEEE Transactions on Wireless Communications对2018年模型进行了改进提出CSiNet模型
论文3 2021IEEE Wireless Communications Letters对2020年模型进行了改进提出CSiNetDNN模型 之后的各种基于深度学习的CSI反馈基本上是这些模型架构的变体都是编码器和解码器包含卷积网络全连接网络和各种其他网络。
系统预设 CSI反馈机制 网络设计
下面三个深度学习网络为三篇论文中的CSI反馈网络
CsiNet 编码器 解码器 CsiNet CsiNetDNN 训练策略 CsiNetDNN仿真场景设置 不同方法比较
重构准确性比较 方法复杂度分析 CsiNetDNN复现及优化
数据集介绍
