.png){kind=icon}
返回
Channel Estimation for Massive MIMO Using Gaussian-Mixture Bayesian Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2014.2365813.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于准确的信道估计失败，导频污染对大规模多输入多输出 (MIMO) 天线系统的性能造成了根本限制。为了解决这个问题，我们建议仅估计目标小区中所需链路的信道参数，而估计来自相邻小区的干扰链路的信道参数。尽管如此，所需的估计是欠定的系统。在本文中，我们表明，如果可以利用大规模MIMO系统的传播特性，则有可能获得对信道参数的准确估计。我们的策略受到以下观察的启发: 对于蜂窝网络，从用户设备到基站的信道仅由空间中的几个群集路径组成。利用非常大的天线阵列，可以在空间中的极其尖锐的区域下观察到信号。结果，如果在波束域中观察信号 (使用傅立叶变换)，则信道近似稀疏，即信道矩阵仅包含小部分的大分量，并且其他分量接近于零。该观察然后使得能够实现基于稀疏贝叶斯学习方法的信道估计，其中稀疏信道分量可以使用少量的观察来重构。结果表明，与传统的估计器相比，所提出的方法在存在导频污染的情况下，在信道估计精度和可达到的速率方面实现了更好的性能。
Keyword:
Bayesian learning
channel estimation
Gaussian mixture
massive MIMO
pilot contamination
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
.png){kind=icon}
Water−Chloride and Water−Bromide Hydrogen-Bonded Networks: Influence of the Nature of the Halide Ions on the Stability of the Supramolecular Assemblies水-氯化物和水-溴化物氢键网络: 卤化物离子的性质对超分子组装体稳定性的影响
PREAI
分享收藏
查看更多内容