针对正交时频空间系统在整数多普勒模型中多普勒分辨率较低,不适用于实际通信场景的问题,在多输入多输出的正交时频空间(multiple⁃input multiple⁃output orthogonal time frequency space,MIMO⁃OTFS)调制系统中考虑分数多普勒信道模型...
详细信息
针对正交时频空间系统在整数多普勒模型中多普勒分辨率较低,不适用于实际通信场景的问题,在多输入多输出的正交时频空间(multiple⁃input multiple⁃output orthogonal time frequency space,MIMO⁃OTFS)调制系统中考虑分数多普勒信道模型,可有效提升多普勒频移分辨率,但同时会产生虚拟路径,导致多普勒间干扰。因此研究了一种模型驱动的学习去噪近似消息传递(learned denoising⁃based approximate message passing,LDAMP)算法,对含有多普勒间干扰的分数多普勒信道进行估计。该算法以去噪近似消息传递(denoising⁃based approximate message passing,DAMP)算法为基础,构建了一个可解释的神经网络框架,并选用去噪卷积神经网络(denoising convolutional neural network,DnCNN)替代DAMP中的传统去噪器,通过学习噪声特征将之有效去除,进而显著提升后续信号处理性能。仿真结果表明,模型驱动的LDAMP算法结合了迭代算法的模型优势和深度学习强大的泛化能力,相较于传统算法,能够有效补偿多普勒间干扰带来的性能损失,实现更高的信道估计精度。
针对超大规模多输入多输出(MIMO,multiple-input multiple-output)正交时频空间(OTFS,orthogonal time frequency space)系统,提出了一种适用于高速移动场景的低复杂度下行信道估计方法。不同于现有研究,该方法考虑了超大规模MIMO-OTFS...
详细信息
针对超大规模多输入多输出(MIMO,multiple-input multiple-output)正交时频空间(OTFS,orthogonal time frequency space)系统,提出了一种适用于高速移动场景的低复杂度下行信道估计方法。不同于现有研究,该方法考虑了超大规模MIMO-OTFS系统显著的空间非平稳特性,基于可视路径区域提出了一种低复杂度的增强型稀疏正交匹配追踪算法,利用频分双工(FDD,frequency-division duplex)模式中上下行信道的映射关系实现上行辅助的下行信道估计。仿真结果表明,所提上行辅助的下行信道估计方法能够充分考虑信道非平稳特性,在降低计算复杂度的同时显著提高信道估计性能,并且在高速移动物联网场景下表现良好。
暂无评论