研究了大规模多输入多输出(Multiple⁃input Multiple⁃output,MIMO)正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的信道预测方法,提出一种适用于实际噪声环境下的无线信道预测模型,该模型同时充分利用信道状态信...研究了大规模多输入多输出(Multiple⁃input Multiple⁃output,MIMO)正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的信道预测方法,提出一种适用于实际噪声环境下的无线信道预测模型,该模型同时充分利用信道状态信息(Channel State Information,CSI)的时间与空间相关性。首先采用一种改进的卡尔曼滤波器修正上行探测导频信号估计的信道增益矩阵,所提出的改进的卡尔曼滤波器通过观测值修正上行探测导频信号估计的信道增益矩阵,使得估计值与信道矩阵真实值误差更小,同时该方法相较于传统的卡尔曼滤波器具有较低的计算复杂度。在此基础上,提出利用自回归模型(Auto Regressive,AR)在角度时延域进行信道预测。相较于其他域,例如天线频率域、天线时间域和角度频率域,角度时延域信道具有较为明显的信道稀疏性,有利于提高预测精度。最后,仿真结果验证了所提出的信道预测方法在实际噪声环境下优于传统AR信道预测方法。展开更多
文摘研究了大规模多输入多输出(Multiple⁃input Multiple⁃output,MIMO)正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统的信道预测方法,提出一种适用于实际噪声环境下的无线信道预测模型,该模型同时充分利用信道状态信息(Channel State Information,CSI)的时间与空间相关性。首先采用一种改进的卡尔曼滤波器修正上行探测导频信号估计的信道增益矩阵,所提出的改进的卡尔曼滤波器通过观测值修正上行探测导频信号估计的信道增益矩阵,使得估计值与信道矩阵真实值误差更小,同时该方法相较于传统的卡尔曼滤波器具有较低的计算复杂度。在此基础上,提出利用自回归模型(Auto Regressive,AR)在角度时延域进行信道预测。相较于其他域,例如天线频率域、天线时间域和角度频率域,角度时延域信道具有较为明显的信道稀疏性,有利于提高预测精度。最后,仿真结果验证了所提出的信道预测方法在实际噪声环境下优于传统AR信道预测方法。
