اخبار و اعلانات

 آمار

تعداد نشریات418
تعداد شماره‌ها10,004
تعداد مقالات83,629
تعداد مشاهده مقاله78,544,585
تعداد دریافت فایل اصل مقاله55,614,016
عابدی, محمدعلی, حق بین, افروز, رزازی, فربد. (2). الگوریتم تطبیقی بر پایه حسگری فشرده جهت بهبود تخمین کانال سیستم‌های M-MIMO. نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 16(61), 29-48.
محمدعلی عابدی; افروز حق بین; فربد رزازی. "الگوریتم تطبیقی بر پایه حسگری فشرده جهت بهبود تخمین کانال سیستم‌های M-MIMO". نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 16, 61, 2, 29-48.
عابدی, محمدعلی, حق بین, افروز, رزازی, فربد. (2). 'الگوریتم تطبیقی بر پایه حسگری فشرده جهت بهبود تخمین کانال سیستم‌های M-MIMO', نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 16(61), pp. 29-48.
عابدی, محمدعلی, حق بین, افروز, رزازی, فربد. الگوریتم تطبیقی بر پایه حسگری فشرده جهت بهبود تخمین کانال سیستم‌های M-MIMO. نشریه علمی پژوهشی دانشگاه آزاد اسلامی, 2; 16(61): 29-48.

الگوریتم تطبیقی بر پایه حسگری فشرده جهت بهبود تخمین کانال سیستم‌های M-MIMO

روش‌های هوشمند در صنعت برق
مقاله 2، دوره 16، شماره 61، خرداد 1404، صفحه 29-48    اصل مقاله (1.36 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
محمدعلی عابدی؛ افروز حق بین* ؛ فربد رزازی
دانشکده مهندسی مکانیک، برق و کامپیوتر- واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
برای غلبه بر مشکل تخمین کانال در سامانه‌های چندورودی-چندخروجی انبوه (M-MIMO)، در این مقاله یک طرح تخمین کانال لینک فروسو در ارتباط دوطرفه فرکانسی (FDD) مبتنی بر حسگری فشرده ساختارمند (SCS)، برای کاهش داده آموزشی مورد نیاز پیشنهاد گردیده که توسط آن تنکی مکانی ذاتی کانال­های حوزه تاخیر سامانه‌های چندورودی-چندخروجی انبوه، تقویت می­شوند. به همین منظور در ابتدا پس از طرح موضوع روش­های مختلف تخمین کانال و بررسی چالش‌های موجود، با پیشنهاد یک الگوریتم بر پایه الگوریتم حریصانه جستجوی تطابق متعامد (OMP)، به تخمین کانال پرداخته شده است. در این الگوریتم از همبستگی مکانی بین پاسخ ضربه کانال آنتن­های مختلف فرستنده برای دقت تخمین­ کانال استفاده می­شود. این همبستگی در زمان تاخیر یکسان مسیرهای تاخیردار تعریف ‌شده است. این الگوریتم تنکی کانال را به­صورت تطبیقی به­دست می­آورد که نافی فرض ایده­آل کارهای پیشین مبنی بر در دست داشتن تنکی کانال است. در این­ صورت این الگوریتم در مواقعی که میزان دقیق تنک بودن کانال مشخص نباشد، کانال را با دقت خوبی تخمین می­زند. در نهایت به ارائه شبیه­سازی­­ها که توانایی این روش را در کاهش داده آموزشی مورد نیاز نشان می­دهد، پرداخته‌ شده است. شبیه­سازی­ها نشان می­دهند که تخمین کانال پیشنهادی به­طور قابل‌اعتمادی سطح تنکی کانال و مجموعه پشتیبان را نسبت به روش­های مشابه به­دست می­آورد.

تازه های تحقیق

- کانال در ارتباط فروسو سامانه­های چندورودی-چندخروجی انبوه در حالت ارتباط دوطرفه فرکانسی تخمین زده شده است.

- مقدار تنکی کانال‏های بی‏سیم سامانه­های چندورودی-چندخروجی به صورت تطبیقی به­دست آمده است.

-  از خاصیت تنکی ماتریس کانال در حوزه تاخیر و همبستگی مکانی مشترک بین آنتن­های ایستگاه پایه استفاده شده است.

- الگوریتم تطابق متعامد ساختارمند برای تخمین کانال سامانه­های چندورودی-چندخروجی انبوه با بهره­ گیری از روش حسگری فشرده پیشنهاد شده است.

- الگوریتم پیشنهادی با استفاده از بازیابی ساختارمند کانال در حالت عدم وجود تعداد داده آموزشی کافی، عملکرد بهینه­ای دارد. 

کلیدواژه‌ها
تخمین کانال؛ تنکی مکانی؛ چندورودی-چندخروجی انبوه؛ حسگری فشرده؛ داده آموزشی موردنیاز
سایر فایل های مرتبط با مقاله
مراجع

[1]   M.K. Ozdemir, H. Arslan, "Channel estimation for wireless OFDM systems", IEEE Communications Surveys and Tutorials, vol. 9, no. 2, pp. 18–48, July 2007 (doi: 10.1109/COMST.2007.382406).

[2]   N.D. Lahbib, M. Cherif, M. Hizem, R. Bouallegue, "Massive MIMO uplink channel estimation using compressive sensing", Proceeding of the IEEE/SoftCOM, pp. 1-6, Split, Croatia, Sept. 2019 )doi: 10.2391­9­/­S­OF­TCO­M.2019.8903860(.

[3]   S. Jacobsson, G. Durisi, M. Coldrey, T. Goldstein, C. Studer, "Quantized precoding for massive MU-MIMO", IEEE Trans. on Communications, vol. 65, no. 11, pp. 4670–4684, July 2017 (doi: 10.1109/TCO­MM.20­17.2­723­000).

[4]   N. Nouri, M. J. Azizipour, K. Mohamed-Pour, "A compressed CSI estimation approach for FDD massive MIMO systems", Proceeding of the IEEE/ ICEE, pp. 1-6,  Tabriz, Iran, Aug. 2020 )doi: 10.1109/ICEE50­131.­20­2­0.9260725(.

[5]   L. Jingzhi, W. Kai, L. Haibo, "Distributed compressed sensing of doubly selective channel in massive MIMO systems", Proceeding of the IEEE/WCCCT, pp. 21–25, Dalian, China, Jan.  2021 )doi: 10.1109/WCCCT5­209­1.2­021.00012(.

[6]   A. Waseem, A.N. Malik, A. Sardar, M. Arshad, H. Anis, I.M. Qureshi, "Compressive sensing based channel estimation for massive MIMO communication systems", Proceeding of the IEEE/WCMC, pp. 1-15, Shanghai, China, April 2019 )doi:10.1155/2019/6374764(.

[7]   W. Zeng, Y. He, B. Li, S. Wang, "Sparsity learning-based CSI feedback for FDD massive MIMO systems", IEEE Wireless Communication Letters, vol. 10, no. 3, pp. 585–588, Mar. 2021 )doi: 10.1109/LWC.20­20.30­388­93(.

[8] A. Akbarpour-Kasgari, M. Ardebilipour, "Massive MIMO-OFDM channel estimation via distributed compres­s­ed sensing", IEEE Wireless Communications Letters, vol. 8, no. 2, pp. 376-379, April 2019 (doi: 10.1109/L­W­C.2­018.2873339).

[9]  Y. Mei, Z. Gao, "CS-based CSIT estimation for downlink pilot decontamination in multi-cell FDD massive MIMO", Proceeding of the IEEE/ICCC, pp. 1-5, China, Aug. 2021 (doi: 10.1109/ICCC527­77.20­21.9­58­0­3­9­8­).

[10] Y. Huang, Y. He, Q. Luo, L. Shi, Y. Wu, "Channel estimation in MIMO–OFDM systems based on a new      adaptive greedy algorithm", IEEE Wireless Communications Letters, vol. 8, no. 1, pp. 29-32, Feb. 2019 (doi: 10.1109/LWC.2018.2848916).

[11] R. Yin, X. Zhou, A. Wang, C. Zhong, C. Wu,  X. Chen, "Adaptive channel estimation and tracking for URA-based massive MIMO systems", IEEE Access, vol. 8, pp. 54213–54224, March 2020 (doi: 10.1109/ACCESS­.2­02­0.2981396).

[12] S. Oymak, A. Jalali, M. Fazel, Y. C. Eldar, B. Hassibi, "Simultaneously structured models with application to sparse and low-rank matrices", IEEE Trans. on Information Theory, vol. 61, no. 5, pp. 2886-2908, May 2015 (doi: 10.1109/TIT.2015.2401574).

[13] M.F. Duarte, Y.C. Eldar, "Structured compressed sensing: From theory to applications", IEEE Trans. on Signal Processing, vol. 59, no. 9, pp. 4053–4085, Sept. 2011 (doi: 10.1109/TSP.2011.2161982).

[14] W. Xu, Y. Zhao, "Reducing MMV-based OMP channel estimation for massive MIMO OFDM systems", Proceeding of the IEEE/CISCE, pp. 289-293, Haikou, China, July 2019 (doi: 10.1109/CISCE.2019.00072).

[15] E.J. Candès, T. Tao, "Decoding by linear programming", IEEE Trans. on Information Theory, vol. 51, no. 12, pp. 4203–4215, Dec. 2005 (doi: 10.1109/TIT.2005.858979).

[16] J.A. Tropp, A.C. Gilbert, "Signal recovery from random measurements via orthogonal matching pursuit", IEEE Trans. on Information Theory, vol. 53, no. 12, pp. 4655–4666, Dec. 2007 (doi: 10.1109/TIT.2007.­90­91­08).

[17] H. Xie, F. Gao, S. Jin, "An overview of low-rank channel estimation for massive MIMO systems", IEEE Access, vol. 4, pp. 7313–7321, Nov. 2016 (doi: 10.1109/ACCESS.2016.2623772).

[18] N.D. Lahbib, M. Cherif, M. Hizem, R. Bouallegue, "Channel estimation for TDD uplink massive MIMO systems via compressed sensing", Proceeding of the IEEE/ IWCMC, pp. 1680–1684, Tangier, Morocco, June 2019 (doi: 10.1109/IWCMC.2019.8766722).

[19] D. Zhao, T. Han, "Low-Complexity compressed sensing downlink channel estimation for multi-antenna terminals in FDD massive MIMO systems", IEEE Access, vol. 8, pp. 130183–130193, July 2020 )doi: 10.11­09/AC­CESS.2020.3008175(.

[20] B. Wang, L. Li, "Sparsity adaptive channel estimation algorithm based on compressed sensing", Proceeding of the IEEE/ISCEIC, pp. 30-33, Nanjing, China, Aug. 2021 (doi: 10.1109/ISCEIC53685.2021.00014).

[21] N.D. Lahbib, M. Cherif, M. Hizem, R. Bouallegue, "Channel estimation for TDD uplink massive MIMO systems via compressed sensing", Proceeding of the IEEE/IWCMC, pp. 1680-1684, Tangier, Morocco, June 2019 (doi: 10.1109/IWCMC.2019.8766722).

[22] L. Chen, A. Liu, X. Yuan, "Structured turbo compressed sensing for massive MIMO channel estimation using a markov prior", IEEE Trans. on Vehicular Technology, vol. 67, no. 5, pp. 4635–4639, May 2018 (doi: 10.1­10­9/T­VT.2017.2787708).

[23] X. Kuai, L. Chen, X. Yuan, A. Liu, "Structured turbo compressed sensing for downlink massive MIMO-OFDM channel estimation", IEEE Trans. on Wireless Communications, vol. 18, no. 8, pp. 3813-3826, Aug. 2019 (doi: 10.1109/TWC.2019.2917905).

[24] A. Liu, F. Zhu, V.K.N. Lau, "Closed-loop autonomous pilot and compressive CSIT feedback resource adaptation in multi-user FDD massive MIMO systems", IEEE Trans. on Signal Processing, vol. 65, no. 1, pp. 173–183, Jan. 2017 )doi: 10.1109/TSP.2016.2616326(.

[25] Y. Huang, Y. He, W. He, L. Shi, T. Cheng, Y. Sui, "Channel estimation in massive MIMO systems based on generalized block adaptive matching pursuit algorithm", IEEE Wireless Communications Letters, vol. 9, no. 12, pp. 2098–2101, Aug. 2020 )doi: 10.1109/LWC.2020.3013689(.

[26] Z. Gao, L. Dai, Z. Lu, C. Yuen, Z. Wang, "Super-resolution sparse MIMO-OFDM channel estimation based on spatial and temporal correlations", IEEE Communications Letters, vol. 18, no. 7, pp. 1266–1269, July 2014 )doi: 10.1109/LCOMM.2014.2325027(.

[27] C. Qi, L. Wu, "Uplink channel estimation for massive MIMO systems exploring joint channel sparsity", IET Electronics Letters, vol. 50, no. 23, pp. 1770–1772, Nov. 2014 (doi: 10.1049/el.2014.2769).

[28] H. Minn, N. Al-Dhahir, Y. Li, "Optimal training signals for MIMO OFDM channel estimation in the presence of frequency offset and phase noise", IEEE Trans. on Communication, vol. 54, no. 10, pp. 1754–1759, Oct. 2006 )doi: 10.1109/TCOMM.2006.881358(.

[29] C.C. Tseng, J.Y. Wu, T.S. Lee, "Enhanced compressive downlink CSI recovery for FDD massive MIMO systems using weighted block-minimization", IEEE Trans. on Communications, vol. 64, no. 3, pp. 1055–1067, March 2016 (doi:10.1109/TCOMM.2016.2520945).

[30] X. Rao, V.K.N. Lau, "Compressive sensing with prior support quality information and application to massive MIMO channel estimation with temporal correlation", IEEE Trans. on Signal Processing, vol. 63, no. 18, pp. 4914–4924, Sept. 2015 (doi: 10.1109/TSP.2015.2446444).

[31] L. Dai, Z. Wang, "Spectrally efficient time-frequency training OFDM for MIMO systems", Proceeding of the IEEE/WCNC, vol. 31, no. 2, pp. 3753–3757, Shanghai, China, April 2013 )doi: 10.1109/WCNC.2013.65­551­7­2(.

[32] F. Wan, W.P. Zhu, M.N.S. Swamy, "Semi-blind most significant tap detection for sparse channel estimation of OFDM systems", IEEE Trans. on Circuits and Systems I Regular Papers, vol. 57, no. 3, pp. 703–713, March 2010 )doi: 10.1109/TCSI.2009.2023765(.

[33] C.R. Berger, Z. Wang, J. Huang, S. Zhou, "Application of compressive sensing to sparse channel estimation", IEEE Communications Magazins, vol. 48, no. 11, pp. 164–174, Nov. 2010) doi: 10.1109/MCOM.2010.56­21­9­84(.

[34] C. Qi, Y. Huang, S. Jin, L. Wu, "Sparse channel estimation based on compressed sensing for massive MIMO systems", Proceeding of the IEEE/ICC, pp. 4558–4563, London, UK, June 2015 (doi: 10.1109/ICC.20­15.72­49­041).

[35] X. Gao, L. Dai, Y. Hu, Y. Zhang, Z. Wang, "Low-complexity signal detection for large-scale MIMO in optical wireless communications", IEEE Journals on  Selelected Areas in Communications, vol. 33, no. 9, pp. 1903-1912, Sept. 2015 (doi: 10.1109/JSAC.2015.2457211).

[36]S. Lyu, X. Guan, "Low-complexity MMSE signal detection algorithm based on BiCGSTAB method for uplink massive MIMO systems", Proceeding of the IEEE/ICAIT, pp. 285-289, Chengdu, China, Nov. 2017 (doi: 10.1109/ICAIT.2017.8388931).

[37] W. Jinming, X. Dexin, B. Baodong, "A new method for solving line equations with large sparse symmetric and indefinite coefficients matrix", IEEE Trans. on Magnetics, vol. 40, no. 2, pp. 1069-1071, March 2004, (doi: 10.1109/TMAG.2004.825437).

[38] D.L. Donoho, M. Elad, "Optimally sparse representation in general dictionaries via minimization", Proceedings of the National Academy of Sciences of the USA, vol. 100, no. 5, pp. 2197-2202, Feb. 2003 (doi: 10.1073/pnas.0437847100).  

آمار
تعداد مشاهده مقاله: 324
تعداد دریافت فایل اصل مقاله: 115


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب