其他
无线知识驱动的大规模MIMO信道估计
大规模多输入多输出(Multiple-Input Multiple-Output, MIMO) 技术能够显著提升无线通信系统的能量效率和频谱效率,其关键前提是获取精确的信道状态信息。然而导频复用造成的导频污染问题严重影响信道估计精度,成为制约大规模MIMO 系统性能的核心难题。本文提出无线知识驱动的大规模MIMO 信道估计模型,基于信道海图技术挖掘用户在角度域空间中的近邻关系作为无线信道知识,设计基于无线知识驱动的卷积神经网络(Convolutional Neural Network, CNN)信道估计器(WKD-CNN) 以提高信道估计精度。研究表明,在不同信噪比(Signal-to-noise ratio, SNR)下,天线数、导频污染程度、训练集大小对所提方法的信道估计性能均有重要影响。仿真结果表明,WKD-CNN 在高信噪比区域的归一化均方误差相较于传统信道估计算法、基于多层感知机(Multilayer Perceptron, MLP) 和无信道海图知识驱动卷积网络的信道估计方法均明显降低。
(扫描二维码,免费下载全文PDF)