学习记录-FDD大规模MIMO系统的稀疏信道估计技术研究

FDD大规模MIMO系统的稀疏信道估计技术研究

基础知识

矩阵（12.7更新）

MATLAB“\“（左除）、“/“（右除）以及“./“（右点除）、“.\“（左点除）

FDD(10.7更新)

FDD与TDD工作原理

什么是频分双工(FDD)/时分双工(TDD)

MIMO(10.7更新)

通信原理——MIMO

总结：根据空时映射方法的不同，MIMO分为两类：空间分集和空间复用。

空间分集：利用多个天线发送同样的数据，提高信号传输的可靠性。
空间复用：利用多个天线同时发送独立的数据，增加系统容量。

MIMO技术的介绍

相比上文增加了波束成型技术：使信号在某个方向形成同相叠加，在其他方向形成相位抵消，从而实现信号的增益。

MIMO基础总结 原理讲解，按需查看。

信道估计(10.15更新)

10.7更新
SISO/MIMO信道估计（channel estimation）原理详细图解

3.1 似乎是使用了最小二乘法获得没有参考信号的点处的信道效率
3.1 在最后对h[]矩阵求了平均值(平均信道估计)和插值，信道系数和平均信道差也就是求噪声的来源（3.2内容） 4 MIMO信道估计的原理，又单独发送给1天线和2天线的数据，用接收端获取h
4.1 后处理
4.2 求出每个点的噪声以获得噪声的统计属性

P.S. 参考有时间再看

10.14更新
从简单的信道估计说起

1. 多条小径到达，幅度和相位随机。幅度服从瑞利分布，相位均匀分布
2. 多径带来了频率选择性
3. 时变带来多普勒频移
4. 总会把建模为线性时变信道

转移函数 ----> 离散(用到DSP和算子)

可得出 对不同的频率，信道有不同效果和效果

? 例1中N和τ是如何得来的

后面的循环位移部分也需要后续查看循环前缀在OFDM中应用（一）

线性卷积即用H去加权x各个时延版本再求和，其中时延指线性时延，也就是补零

线性卷积 变 循环卷积

10.15更新

已读：
信道估计硬件实现 LS算法

稀疏信道(11.13更新)

稀疏性度量

压缩感知在稀疏信道估计中的应用

稀疏技术

行稀疏 列稀疏 稀疏_稀疏分析的终极指南-数学观点

贪婪算法(10.30更新)

算法(六):图解贪婪算法
贪心算法（贪婪算法）

MP算法（11.13更新）

MP算法

MP算法和OMP算法及其思想

OMP算法(11.4更新)

压缩感知重构算法之正交匹配追踪(OMP)(含MATLAB代码)
线性无关的向量组成的矩阵为A，A的投影矩阵为P
向量x在空间中的投影为Px，所以在OMP中Px是为稀疏表示的系数(且Px与最小二乘解一致)

OMP算法笔记
正交匹配追踪(OMP)其它改进算法

SAMP算法(11.6更新)

压缩感知重构算法之稀疏度自适应匹配追踪(SAMP)(含MATLAB代码)
压缩感知–SAMP算法重构图像失败的问题

CoSaMP算法(11.21更新)

压缩感知重构算法之压缩采样匹配追踪(CoSaMP)

文献(11.13更新)

基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法
Deep Learning-Based Downlink Channel Prediction for FDD Massive MIMO System
Structured Compressive Sensing-Based Spatio-Temporal Joint Channel Estimation for FDD Massive MIMO
一种FDD大规模MIMO系统下行信道估计算法
Low-Complexity Compressed Sensing Downlink Channel Estimation for Multi-Antenna Terminals in FDD Massive MIMO Systems
Distributed Compressed Sensing Aided Sparse Channel Estimation in FDD Massive MIMO System
Channel Estimation using Block Sparse Joint Orthogonal Matching Pursuit in Massive MIMO Systems
Block-partition sparse channel estimation for spatially correlated massive MIMO systems

MIMO-OFDM系统的自适应加权平均信道估计方法研究

资料查找：(10.15更新)
OFDM信道估计
不知道这个ppt是不是英文直接翻译的，“符号”应该是signal？就当作 信号 理解了
而且有些图片显示有一些问题，凑和看吧

? 导频所在的OFDM符号上估计得到的全部信息将作为后面OFDM符号处的信道信息，直到下一个有导频信息的符号到来(块状导频)
理解 块状导频是在一个时段内用所有的频率同时发送导频，也即信道估计时需要进行时域插值；梳状导频是在一个频率上一直发送导频，也即信道估计时需要进行频域插值；菱形状导频是以一定的时间间隔和一定的频率间隔发送导频符号，在时域和频域都不是连续分布的。信道估计需要进行 时域-频域 二维插值。

导频插入方案的选择：应较好的跟踪不同符号下信道状态的变化，因此

在信道快变化的条件下，梳状导频插入方案优于块状导频插入方案
在频率选择性衰落信道条件下，块状导频插入方案优于梳状导频插入方案
菱形状导频可以通过调整子载波间隔和符号间隔捞适应频率选择性衰落和时间选择性衰落信道

基于深度学习的压缩感知FDD大规模MIMO系统稀疏信道估计算法

Deep Learning based Downlink Channel Prediction for FDD Massive MIMO System信道估计论文阅读

Deep Learning based Downlink Channel Prediction for FDD Massive MIMO System信道估计论文阅读

Low-Complexity Compressed Sensing Downlink Channel Estimation for Multi-Antenna Terminals in FDD Massive MIMO Systems(11.11更新)

Block-partition sparse channel estimation for spatially correlated massive MIMO systems(11.21更新)

提出了新的BP-CoSaMP算法，该算法的提出主要是相比传统的CoSaMP算法有性能方面的提升。根据仿真，
(1) 当NMSE达到10^-2的水平时，BP-CoSaMP相比传统CoSaMP对信噪比的要求要低5dB左右，在同样的信噪比下，BP-CoSaMP也比CoSaMP算法有更好的NMSE表现。
(2) 在误码率方面，BP-CoSaMP相比CoSaMP算法也有所提升，随着信噪比的增加，BP-CoSaMP的误码率可以达到10^-4的水平，同时，CoSaMP算法仅能达到10^-2.

结果复现/仿真

MARK

OFDM的基本原理
OFDM系统中的信道估计基础知识
信道估计系列之LS
LTE学习-信道估计（MMSE算法/LMMSE算法）
MMSE信道估计学习笔记

名词

CP(Cyclic Prefix):循环前缀
RS：