基于字典学习的稀疏信道表示与估计用于FDD大规模MIMO系统
信息论
2018-06-01 v2 math.IT
摘要
本文解决了FDD大规模MIMO系统中的上行链路和下行链路信道估计问题。通过利用稀疏恢复和压缩感知算法，我们能够提高上行/下行信道估计的准确性，并减少上行/下行导频符号的数量。这种成功的信道估计建立在信道可以在某种基/字典下稀疏表示的假设之上。以往的工作使用一些预定义的基/字典来建模信道，而在本工作中，我们提出了一种基于字典学习的信道模型，即从全面收集的信道测量数据中学习一个字典。学习到的字典能特定地适应小区特征，并促进更高效、更鲁棒的信道表示，进而提升信道估计的性能。此外，通过观察上行/下行传输之间到达角/离开角的互易性，我们将基于字典学习的信道模型扩展到一个联合上行/下行学习框架，并提出了一种联合信道估计算法，该算法结合上行和下行接收训练信号以获得更准确的信道估计。换句话说，作为FDD大规模MIMO系统瓶颈的下行训练开销，可以通过利用来自更简单的上行训练的信息来降低。
引用
@article{arxiv.1612.06553,
title = {Dictionary Learning Based Sparse Channel Representation and Estimation for FDD Massive MIMO Systems},
author = {Yacong Ding and Bhaskar D. Rao},
journal= {arXiv preprint arXiv:1612.06553},
year = {2018}
}
备注
33 pages, 7 figures, accepted