针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的...
详细信息
针对低轨卫星通信场景下长传播时延导致的信道状态信息(Channel State Information,CSI)过时问题,提出了一种基于地理环境认知的低轨卫星空时多维信道预测方法。首先,通过射线追踪法建模卫星信道,进而确定不同地理环境下影响CSI变化的几个关键因素并将其与信道特征参量建立映射关系;然后,设计了一个由卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long⁃Short Term Memory,LSTM)神经网络构成的组合神经网络模型来有效预测CSI,通过CNN网络提取CSI和特征参量之间变化的空时相关性来认知地理环境对CSI变化的影响,利用LSTM网络处理时间序列的特点根据当前输入信息预测未来某一时刻CSI值。在此基础上,进一步提出了一种离线训练-模型更新-在线预测的实施框架以解决低轨卫星平台资源受限及高动态的问题。仿真结果表明,相较于传统的基于LSTM网络的低轨卫星信道预测方法,所提方法能够有效提升CSI预测精度及其预测模型的稳定性。
现有的面阵场景下的频控阵(Frequency Diverse Array,FDA)MIMO雷达参数估计方法大多需要进行谱峰搜索,因此面临计算复杂度高、估计精度不够准确等困难。针对这一问题,提出了一种基于均匀面阵FDA-MIMO雷达的无网格参数估计方法。首先推...
详细信息
现有的面阵场景下的频控阵(Frequency Diverse Array,FDA)MIMO雷达参数估计方法大多需要进行谱峰搜索,因此面临计算复杂度高、估计精度不够准确等困难。针对这一问题,提出了一种基于均匀面阵FDA-MIMO雷达的无网格参数估计方法。首先推导了角度和距离解耦的均匀面阵FDA-MIMO雷达模型,其次提出了适用于该模型的基于低秩矩阵重构的优化问题,并推导了基于交替投影的算法实现,以加快计算速度。最后通过仿真实验验证了所提算法在计算复杂度较低的同时具有较高的估计精度。
暂无评论