信道預測方法學習總結

在通信系統中，獲取完美的CSI，對于通信系統有著至關重要的作用。如果所發送的CSI由于信道的波動而變得可能過時，則信道預測變得重要，即，需要將CSI的預測發送到發射機以改善MIMO系統的性能。信道預測助于改善在發射機或接收機處執行的各種操作的性能，如自適應編碼和調制，解碼處理，信道均衡和天線波束成形。

基本的MIMO系統CSI預測框圖如圖所示：

信道預測策略

核心算法是：通過當前和過去CSI的信息來完成信道的預測，并且為此，需要模型來表示衰落信道的動態。 在獲得信道的估計之后，可以估計信道模型的參數，并且因此可以借助于這些估計的信道模型完成對CSI的預測。 根據文獻，預測方案可分為以下三種：（1）參數無線電信道模型，（2）基于自回歸模型的預測（3）帶寬擴展。

無線電信道參數模型（PRC）

于參數無線電信道的方法適用于快速衰落信道，這些參數的估計有助于將信道外推到未來。 該方法將信道視為具有不同幅度，相位和多普勒頻率的復雜正弦波的加權和。 該模型也稱為正弦波疊加模型。PRC模型的參數估計可以通過使用基于子空間的方法來完成。 常用的基于子空間的方法是ESPRIT，MUSIC和Root-MUSIC。 這些方法首先用于單輸入單輸出（SISO）系統，然后擴展到MIMO系統。

自回歸模型預測（AR）

在基于AR的方法中，通過過去信道估計的加權線性組求解多徑信道預測。 這里，基本上計算權重以獲得最小的均方誤差（MSE），并且需要知道信道自相關函數。自相關函數可以是時變的，也可以是現實中未知的，它們可以從Yule Walker方程，Burg方法，協方差和修正的協方差方法估算出來。可以通過自適應濾波技術（如卡爾曼濾波器，最小均方（LMS）和遞歸最小二乘（RLS來跟蹤信道系數的變化。基于AR的方法被廣泛用于SISO信道預測. 在MIMO系統的情況下，MIMO信道可以被視為并行SISO信道，并且單獨的MMSE預測器可以應用于每個單獨的SISO信道。在《slepian subspace projection in time and frequency for time-variant channel estimation》中，作者提出了一種通用的MIMO-OFDM信道預測框架和兩個預測器，即前向逐步子集（FSS）預測器和降低復雜度FSS預測器，它們以不同的方式選擇自回歸（AR）預測器的數據。第一預測器通過最小化預測模型的均方誤差（MSE）來選擇數據集，第二預測器通過以啟發式方式選擇數據來降低計算復雜度。

帶寬擴展

在該方法中，基本思想是將信號分解為適當的基函數的總和。 基函數可以利用信號的已知部分完成求解，并且最終在模型中用于預測。相關研究使用傅里葉基礎擴展來分解時變信道，但傅里葉基礎遭受與矩形窗口相關的頻譜泄漏問題。通過另一個低頻基線（即離散長橢球波序列（DPSS））可以更好地表示時變信道。使用帶限擴展方法預測MIMO信道仍然是一個研究領域。

總結

以上是生活随笔為你收集整理的信道预测方法初识的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。