毫米波大规模阵列中的AOA估计

1.AOA估计在毫米波大规模MIMO中的重要性

在毫米波大规模MIMO的CSI估计中,AoA估计具有重要地位,主要原因归纳如下:

  1. 毫米波大规模MIMO 的信道具有空域稀疏性,可以简单通过AoA 和路径增益将其准确建模。这类似于波束域MIMO 的几何信道模型。基于该信道模型,CSI 估计可以先获取角度信息,然后通过最小二乘(Least Square, LS)逼近求解 路径增益。相比之下,传统MIMO 的散射信道模型不但不能准确反映毫米波大规模MIMO信道的稀疏特性,反而会增加信道建模的复杂性,这是因为大规模意味着信道的高维度,估计的时间和运算复杂度一般比较高;
  2. 毫米波信道中AoA 具有慢衰落特性,而路径增益服从快衰落。从大量毫米波信道测量结果中可以看出,毫米波信道中AoA的变化时间一般比路径增益的变化慢若干倍。基于该现象,估计AoA之后,便可将AoA信息应用到同一相关时间帧的其它传输块,这样不仅可以减少信道估计的运算和时间复杂性, 而且提高了路径增益估计的准确性,这是由于在得到AoA之后,便可以设计波束形成以利用阵列增益提高接收信噪比(Signal-to-Noise Ratio, SNR);
  3. 5G 的一些关键技术需要借助AoA 估计得以有效实现,例如能量和信号同时传输(Simultaneous Wireless Information and Power Transfer, SWIPT),空间调制(Spatial Modulation, SM)和NOMA等技术。例如,在SWIPT中,能量收集需要准确的AoA,以提高收集效率。能量收集效率受微波信号与能量之间的转化电路的影响一般效率较低,因而利用精确的AoA估计来导向能量接收阵列对提高能量收集效率具有重要意义。另外,在SWIPT中,能量信号对信息信号的信道估计形成强干扰,因而需要准确估计能量信号的AoA以尽可能完全的消 除能量信号进行信息信号的估计和参数提取。
  4. AoA估计可以减少甚至消除CSI反馈(回传),提高通信速率和安全性。低复杂度AoA估计方案不仅可以在基站端执行,还能在用户端执行。通过设计合理的训练 方案,可以减少甚至消除CSI 信息在基站和用户之间的回传,从而提高波束训练 效率。除此之外,还能提高安全性, 因为物理层安全研究中,窃听者一般利用基站与用户之间的交互侦听CSI。
  5. 利用AoA 估计可以减少大规模混合阵列中波束形成设计的复杂度。毫米波大规模MIMO可以通过简单的线性收发方案逼近容量上限。如果能获取AoA信息,简单利用导向矢量的共轭进行波束形成便可在AoA方向获得较大的阵列增益。然而,在仅有CSI的情况下,需要通过设计优化问题来求解模数混合波束形成器,且由于模拟部分一般有恒模约束,该类问题成为非确定性多项式难题(Non-Deterministic Polynomial-Hard, NPH)。

2. 大规模混合阵列的AoA估计面临的一些严峻的挑战

  1. 混合阵列中的数字信号处理将受到模拟波束形成方式的影响,换言之,模拟波束 形成的设计也是混合阵列AoA 估计的一部分。由于估计SNR 比较低,且缺少 AoA 先验信息,模拟波束形成增益无法完全利用,甚至会对目标信号造成衰减, 这导致初始AoA 估计不准确,精度较低。这时,一般需要把AoA 估计反馈到模 拟波束形成设计中,进行AoA 的迭代估计。
  2. 在毫米波通信中,阵列接收SNR 比较低。这是由于,一方面毫米波传播衰减大,导致阵列接收的信号功率较弱;另一方面毫米波段下系统带宽相应较大,意味着接收机热噪声功率较大。系统热噪声功率一般可以通过??????计算,其中??是玻尔兹曼常数,?? 和?? 分别表示系统温度和带宽。
  3. 现有方法难以移植应用。毫米波大规模MIMO中,天线 数量可达成百上千,巨大的天线数量使得很多优秀的传统方法,例如超分辨空间谱估计类算法和最大似然方法等,难以满足对实时性要求较高的实际应用。这 是因为空间谱估计算法涉及到矩阵分解,其运算量与矩阵的维度(即天线个数)的三次方成正比。另外,考虑5G可支持高达500km/h的移动性,且通信波长在毫米级,多普勒频率较大,对AoA估计的影响不能像许多传统方法中一样忽 略不计。

3. 毫米波大规模混合阵列中AoA估计的主要研究思路

目前,关于毫米波大规模混合阵列中AoA 估计的研究思路主要分为以下两类:

  1. 将一些经典的数字阵列信号处理中的AoA估计算法扩展到大规模混合阵列中。由于混合阵列中空间自由度因模拟波束形成而严重损失,这类方法通常采用以增加时间复杂度(即训练时间长度)的方式换取更多的空间自由度。文献将两种经典空间谱估计算法,多重信号分类(MUltiple SIgnal Classification, MUSIC)和旋转不变子空间(Estimation of Signal Parameters by Rotational Invariance Techniques, ESPRIT),分别扩展到部分连接移相器混合阵列。该方法本质上类似于波束域空间谱估计算法,且为了重构高维信号和噪声子空间,以增加训练时间的方法弥补因有限RF组件造成的空间自由度缺失。研究全连接移相器混合阵列下的波束域MUSIC算法,分析波束域情况下的空间谱模糊问题,并设计模拟波束形成器在一定角度区间消除模糊。该类算法的AoA估计精度较好,但是运算复杂度高(需要矩阵分解和空间谱计算与搜索)和训练时间较长。在低信噪比下,该类算法的噪声子空间将难以准确获取。值得注意的是,在该类研究思路下,由于大规模MIMO的高维度和数模混合特性,一些宽带高分辨算法将难以适用,例如相干和非相干信号子空间法以及该类算法的衍生算法。这些方法需要借助可靠的初始AoA估计,通过迭代实现AoA估计的精细化,因而所需的训练码元个数和最终估计性能都将受到初始估计的影响。
  2. 充分利用毫米波大规模MIMO的信道特征—— 稀疏、AoA和路径增益有不同衰落特性,以及不同混合阵列特点(例如,图1(a) 中移相器混合阵列的移相器灵活可调,图1.(d) 中Butler矩阵同时形成多波束)设计一些低复杂度、精确的AoA 估计方法。该类研究思路相对于第一类具有较低的运算和时间复杂度。

4. 主流大规模混合阵列

图1. 主流大规模混合阵列示意图

本文内容参考西安电子科技大学吴凯博士的博士论文:《毫米波大规模混合阵列中波达角的低复杂度估计》。

往期精选:

[1] 线性降维:主成分分析PCA原理分析与仿真验证

[2] 5G+AI:有哪些新的研究方向和新范式?

[3] 简述3D点云配准算法

[4] 5G为人工智能与工业互联网赋能|79页高清PPT

[5] 智能算法|以动物命名的算法

[6] 一份超全面的机器学习公共数据集

[7] 矩阵填充|奇异值阈值算法

[8] 可重构/大规模智能反射表面reconfigurable/large intelligent surface综述

[9] 迭代硬阈值类算法总结||IHT/NIHT/CGIHT/HTP

[10] 软阈值迭代算法(ISTA)和快速软阈值迭代算法(FISTA)

[11] 伍德伯里矩阵恒等式(Woodbury matrix identity)

[12] 压缩感知:一种新型亚采样技术

[13] 最大比率传输

更多精彩内容请关注订阅号优化与算法和加入QQ讨论群1032493483获取更多资料

原文地址:https://www.cnblogs.com/louisanu/p/12588889.html

时间: 2024-10-11 21:59:24

毫米波大规模阵列中的AOA估计的相关文章

SQL Server中关于基数估计如何计算预估行数的一些探讨

关于SQL Server 2014中的基数估计,官方文档Optimizing Your Query Plans with the SQL Server 2014 Cardinality Estimator里有大量细节介绍,但是全部是英文,估计也没有几个人仔细阅读.那么SQL Server 2014中基数估计的预估行数到底是怎么计算的呢? 有哪一些规律呢?我们下面通过一些例子来初略了解一下,下面测试案例仅供参考,如有不足或肤浅的地方,敬请指教! 下面实验测试的环境主要为SQL Server 201

阵列中条带(stripe)、stripe unit

摘抄:http://blog.sina.com.cn/s/blog_4a362d610100aed2.html 在磁盘阵列中,数据是以条带(stripe)的方式贯穿在磁盘阵列所有硬盘中的.这种数据的分配方式可以弥补OS读取数据量跟不上的不足. 1.将条带单元(stripe unit)从阵列的第一个硬盘到最后一个硬盘收集起来.就可以称为条带(stripe). 有的时候条带单元也被称为交错深度.在光纤技术中,一个条带单元被叫做段. 2.数据在阵列中的硬盘上是以条带的形式分布的,条带化是指数据在阵列中

文献名:Repeat-Preserving Decoy Database for False Discovery Rate Estimation in Peptide Identication (用于肽段鉴定中错误发生率估计的能体现重复性的诱饵数据库)

文献名:Repeat-Preserving Decoy Database for False Discovery Rate Estimation in Peptide Identication (用于肽段鉴定中错误发生率估计的能体现重复性的诱饵数据库) 期刊名:Journal of Proteome Research 发表时间:(2020年3月) IF:3.78 单位: 滑铁卢大学计算机科学学院 多伦多细胞生物学和SPARC生物项目中心 多伦多大学分子遗传学系 技术:肽段鉴定,诱饵数据库构建 一

深度学习大规模MIMO中的功率分配

摘要-本文使用深度学习的方法在大规模MIMO网络的下行链路中执行max-min和max-prod功率分配.更确切地说,与传统的面向优化的方法相比,训练深度神经网络来学习用户设备(UE)的位置和最优功率分配策略之间的映射,然后用于预测新的UE集合的功率分配曲线?与传统的优化定向方法相比,使用深度学习的方法显著提高了功率分配的复杂性-性能折衷?特别地,所提出的方法不需要计算任何统计平均值,而是需要使用标准方法来计算,并且能够保证接近最优的性能. 1 引言 大规模MIMO是指一种无线网络技术,其中基站

web系统大规模并发中的-秒杀与抢购

电商的秒杀和抢购,对我们来说,都不是一个陌生的东西.然而,从技术的角度来说,这对于Web系统是一个巨大的考验.当一个Web系统,在一秒钟内收到数以万计甚至更多请求时,系统的优化和稳定至关重要.这次我们会关注秒杀和抢购的技术实现和优化,同时,从技术层面揭开,为什么我们总是不容易抢到火车票的原因? 一.大规模并发带来的挑战 在过去的工作中,我曾经面对过5w每秒的高并发秒杀功能,在这个过程中,整个Web系统遇到了很多的问题和挑战.如果Web系统不做针对性的优化,会轻而易举地陷入到异常状态.我们现在一起

532. K-diff Pairs in an Array 阵列中的K-diff对

Given an array of integers and an integer k, you need to find the number of unique k-diff pairs in the array. Here a k-diff pair is defined as an integer pair (i, j), where i and j are both numbers in the array and their absolute difference is k. Exa

BGP在大规模网络中遇到的问题

BGP路由表庞大 BGP聚合-通告聚合路由和具体路由,自动汇总会抑制细节路由: IBGP相邻体过多,逻辑全连接不易实现 BGP联盟 BGP反射 路由反射的原则: 1.反射器从客户机那里收到路由信息,反射给其他非客户机: 2.反射器从客户那里收到的路由信息,缺省情况下,缺省情况下会反射给其他客户,但是可以关闭: 3.非客户那里收到的路由信息,不会反射给其他的非客户,但会反射给客户以及发送给EBGP邻居: 4.在路由反射过程中,路由的下一跳不会改变: 5.从EBGP邻居处收到的路由信息,发送给所有邻

RF电路设计中降低寄生信号的八大途径

RF电路板设计最重要的是不该有信号的地方要隔离信号,而该有信号的地方一定要获得信号.这就要求我们有意识地采取措施,确保信号隔离于其路径适当的部位.音调.信号.时钟及其在电路板上任何地方生成的所有谐波都可能作为寄生信号混入输出信号,甚至可能会进入混频器和转换器进而被转换.反映并混淆为寄生信号.传输掩模(Transmit mask)要求表明即便最微小的寄生信号也会阻碍产品的发布. 宽带器件支持软件定义无线电(SDR)的这一当前趋势将进一步强调降低寄生信号的重要性.由于可部署统一信号平台设计来满足多种

记一次数据中心云平台系统项目实施

朋友所在的单位中标了,一人前去目标地点实施,因为他对虚拟化.存储这一块不是很熟悉,所以让我跟他一起实施(做些远程支持). 实施前准备: 由于朋友去的匆忙,并没有说清楚目标地点的环境,因此我让他准备一下: 1.确定一下是原有的数据中心云平台系统升级还是新装 2.确定一下设备以及相关配套设施是否就位 3.确定一下设备及关键配套设备的具体型号,是否已经上架 4.确定一下机房内网络电源等是否完备,如果完备的话提前联系好相关负责人,如果网络没有规划设计,则需要规划和设计网络 5.(可选)货物清单,项目合同