Информация о состоянии канала

Известные свойства канала связи

В беспроводной связи информация о состоянии канала ( CSI ) — это известные свойства канала связи. Эта информация описывает, как сигнал распространяется от передатчика к приемнику, и представляет собой комбинированный эффект, например, рассеяния , затухания и снижения мощности с расстоянием. Метод называется оценкой канала . CSI позволяет адаптировать передачи к текущим условиям канала, что имеет решающее значение для достижения надежной связи с высокими скоростями передачи данных в многоантенных системах .

CSI необходимо оценить на приемнике, а затем, как правило, квантовать и передавать обратно на передатчик (хотя оценка обратной связи возможна в системах с временным разделением дуплекса (TDD)). Поэтому передатчик и приемник могут иметь разный CSI. CSI на передатчике и CSI на приемнике иногда называют CSIT и CSIR соответственно.

Различные виды информации о состоянии канала

По сути, существует два уровня CSI: мгновенный CSI и статистический CSI.

Мгновенный CSI (или краткосрочный CSI) означает, что текущие условия канала известны, что можно рассматривать как знание импульсной характеристики цифрового фильтра . Это дает возможность адаптировать передаваемый сигнал к импульсной характеристике и тем самым оптимизировать принимаемый сигнал для пространственного мультиплексирования или для достижения низких показателей битовых ошибок .

Статистический CSI (или долгосрочный CSI) означает, что статистическая характеристика канала известна. Это описание может включать, например, тип распределения замираний , среднее усиление канала, компонент прямой видимости и пространственную корреляцию . Как и в случае с мгновенным CSI, эта информация может использоваться для оптимизации передачи.

Получение CSI практически ограничено тем, насколько быстро меняются условия канала. В системах с быстрым замиранием , где условия канала быстро меняются при передаче одного информационного символа, только статистический CSI является разумным. С другой стороны, в системах с медленным замиранием мгновенный CSI может быть оценен с разумной точностью и использоваться для адаптации передачи в течение некоторого времени, прежде чем устареет.

В практических системах доступный CSI часто лежит между этими двумя уровнями; мгновенный CSI с некоторой ошибкой оценки/квантования объединяется со статистической информацией.

Математическое описание

В узкополосном канале с плавным замиранием и несколькими передающими и приемными антеннами ( MIMO ) система моделируется следующим образом ^[1]

${\displaystyle \mathbf {y} =\mathbf {H} \mathbf {x} +\mathbf {n} }$

где и являются векторами приема и передачи, соответственно, а и являются матрицей канала и вектором шума, соответственно. Шум часто моделируется как круговая симметричная комплексная нормаль с ${\displaystyle \mathbf {y} }$ ${\displaystyle \mathbf {x} }$ ${\displaystyle \mathbf {H} }$ ${\displaystyle \mathbf {n} }$

${\displaystyle \mathbf {n} \sim {\mathcal {CN}}(\mathbf {0} ,\,\mathbf {S} )}$

где среднее значение равно нулю, а ковариационная матрица шума известна. ${\displaystyle \mathbf {S} }$

Мгновенный CSI

В идеале матрица канала известна идеально. Из-за ошибок оценки канала информация о канале может быть представлена ​​как ^[2] ${\displaystyle \mathbf {H} }$

${\displaystyle {\mbox{vec}}(\mathbf {H} _{\textrm {estimate}})\sim {\mathcal {CN}}({\mbox{vec}}(\mathbf {H} ),\,\mathbf {R} _{\textrm {error}})}$

где — оценка канала, а — матрица ковариации ошибки оценки. Векторизация использовалась для достижения укладки столбцов , поскольку многомерные случайные величины обычно определяются как векторы. ${\displaystyle \mathbf {H} _{\textrm {estimate}}}$ ${\displaystyle \mathbf {R} _{\textrm {error}}}$ ${\displaystyle {\mbox{vec}}()}$ ${\displaystyle \mathbf {H} }$

Статистический CSI

В этом случае статистика известна. В канале с замиранием Рэлея это соответствует знанию того, что ^[3] ${\displaystyle \mathbf {H} }$

${\displaystyle {\mbox{vec}}(\mathbf {H} )\sim {\mathcal {CN}}(\mathbf {0} ,\,\mathbf {R} )}$

для некоторой известной матрицы ковариации канала . ${\displaystyle \mathbf {R} }$

Оценка CSI

Поскольку условия канала изменяются, мгновенный CSI необходимо оценивать на краткосрочной основе. Популярным подходом является так называемая обучающая последовательность (или пилотная последовательность), где известный сигнал передается, а матрица канала оценивается с использованием объединенных знаний переданного и полученного сигнала. ${\displaystyle \mathbf {H} }$

Пусть обучающая последовательность обозначена как , где вектор передается по каналу как ${\displaystyle \mathbf {p} _{1},\ldots ,\mathbf {p} _{N}}$ ${\displaystyle \mathbf {p} _{i}}$

${\displaystyle \mathbf {y} _{i}=\mathbf {H} \mathbf {p} _{i}+\mathbf {n} _{i}.}$

Объединив полученные обучающие сигналы для , общий обучающий сигнал становится ${\displaystyle \mathbf {y} _{i}}$ ${\displaystyle i=1,\ldots ,N}$

${\displaystyle \mathbf {Y} =[\mathbf {y} _{1},\ldots ,\mathbf {y} _{N}]=\mathbf {H} \mathbf {P} +\mathbf {N} }$

с матрицей обучения и матрицей шума . ${\displaystyle \mathbf {P} =[\mathbf {p} _{1},\ldots ,\mathbf {p} _{N}]}$ ${\displaystyle \mathbf {N} =[\mathbf {n} _{1},\ldots ,\mathbf {n} _{N}]}$

При таком обозначении оценка канала означает, что ее следует восстановить, зная и . ${\displaystyle \mathbf {H} }$ ${\displaystyle \mathbf {Y} }$ ${\displaystyle \mathbf {P} }$

Оценка по методу наименьших квадратов

Если распределение канала и шума неизвестно, то оценка наименьших квадратов (также известная как несмещенная оценка с минимальной дисперсией ) имеет вид ^[4]

${\displaystyle \mathbf {H} _{\textrm {LS-estimate}}=\mathbf {Y} \mathbf {P} ^{H}(\mathbf {P} \mathbf {P} ^{H})^{-1}}$

где обозначает сопряженное транспонирование . Оценка средней квадратической ошибки (MSE) пропорциональна ${\displaystyle ()^{H}}$

${\displaystyle \mathrm {tr} (\mathbf {P} \mathbf {P} ^{H})^{-1}}$

где обозначает след . Ошибка минимизируется, когда является масштабированной единичной матрицей . Этого можно достичь только тогда, когда равно (или больше) количеству передающих антенн. Простейшим примером оптимальной обучающей матрицы является выбор в качестве (масштабированной) единичной матрицы того же размера, что и количество передающих антенн. ${\displaystyle \mathrm {tr} }$ ${\displaystyle \mathbf {P} \mathbf {P} ^{H}}$ ${\displaystyle N}$ ${\displaystyle \mathbf {P} }$

Оценка MMSE

Если известны распределение канала и шума, то эта априорная информация может быть использована для уменьшения ошибки оценки. Этот подход известен как байесовская оценка , и для каналов замирания Рэлея он использует это

${\displaystyle {\mbox{vec}}(\mathbf {H} )\sim {\mathcal {CN}}(0,\,\mathbf {R} ),\quad {\mbox{vec}}(\mathbf {N} )\sim {\mathcal {CN}}(0,\,\mathbf {S} ).}$

Оценка MMSE является байесовским аналогом оценки наименьших квадратов и принимает вид ^[2]

${\displaystyle {\mbox{vec}}(\mathbf {H} _{\textrm {MMSE-estimate}})=\left(\mathbf {R} ^{-1}+(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )^{H}\mathbf {S} ^{-1}(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )\right)^{-1}(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )^{H}\mathbf {S} ^{-1}{\mbox{vec}}(\mathbf {Y} )}$

где обозначает произведение Кронекера , а единичная матрица имеет размерность числа приемных антенн. Оценка MSE равна ${\displaystyle \otimes }$ ${\displaystyle \scriptstyle \mathbf {I} }$

${\displaystyle \mathrm {tr} \left(\mathbf {R} ^{-1}+(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )^{H}\mathbf {S} ^{-1}(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )\right)^{-1}}$

и минимизируется обучающей матрицей , которая в общем случае может быть получена только посредством численной оптимизации. Но существуют эвристические решения с хорошей производительностью, основанные на заполнении водой . В отличие от оценки наименьших квадратов, ошибка оценки для пространственно коррелированных каналов может быть минимизирована, даже если она меньше числа передающих антенн. ^[2] Таким образом, оценка MMSE может как уменьшить ошибку оценки, так и сократить требуемую обучающую последовательность. Однако для этого дополнительно требуется знание матрицы корреляции канала и матрицы корреляции шума . При отсутствии точного знания этих матриц корреляции необходимо сделать надежный выбор, чтобы избежать ухудшения MSE. ^{[5] [6]} ${\displaystyle \mathbf {P} }$ ${\displaystyle N}$ ${\displaystyle \mathbf {R} }$ ${\displaystyle \mathbf {S} }$

Оценка нейронной сети

С развитием глубокого обучения появилась работа ^[7] , которая показывает, что информацию о состоянии канала можно оценить с помощью нейронной сети , такой как 2D/3D CNN, и получить лучшую производительность с меньшим количеством пилотных сигналов. Основная идея заключается в том, что нейронная сеть может выполнять хорошую интерполяцию по времени и частоте.

Оценка на основе данных против слепой оценки

В подходе с использованием данных оценка канала основана на некоторых известных данных, которые известны как на передатчике, так и на приемнике , таких как обучающие последовательности или пилотные данные. ^[8] В слепом подходе оценка основана только на полученных данных, без какой-либо известной переданной последовательности. Компромисс заключается в точности против накладных расходов. Подход с использованием данных требует большей полосы пропускания или имеет более высокие накладные расходы, чем слепой подход, но он может достичь лучшей точности оценки канала , чем слепой оценщик.

Смотрите также

• Зондирование канала

Ссылки

1. А. Тулино , А. Лосано, С. Верду, Влияние корреляции антенн на пропускную способность многоантенных каналов, IEEE Transactions on Information Theory, т. 51, стр. 2491-2509, 2005.
2. E. Björnson, B. Ottersten, Структура для оценки на основе обучения в произвольно коррелированных райсовских каналах MIMO с райсовскими помехами, IEEE Transactions on Signal Processing, том 58, стр. 1807-1820, 2010.
3. J. Kermoal, L. Schumacher, KI Pedersen, P. Mogensen, F. Frederiksen, Стохастическая модель радиоканала MIMO с экспериментальной проверкой. Архивировано 29 декабря 2009 г. в Wayback Machine , журнал IEEE по коммуникациям в отдельных областях, том 20, стр. 1211–1226, 2002 г.
4. М. Бигуеш и А. Гершман, Оценка канала MIMO на основе обучения: исследование компромиссов оценки и оптимальных обучающих сигналов. Архивировано 6 марта 2009 г. в Wayback Machine , IEEE Transactions on Signal Processing, том 54, стр. 884-893, 2006.
5. Y. Li, LJ Cimini и NR Sollenberger, Надежная оценка канала для систем OFDM с каналами с быстрым дисперсионным замиранием, IEEE Transactions on Communications, т. 46, стр. 902-915, июль 1998 г.
6. MD Nisar, W. Utschick и T. Hindelang, Максимально надежная оценка двумерного канала для систем OFDM, IEEE Transactions on Signal Processing, т. 58, стр. 3163-3172, июнь 2010 г.
7. Маринберг, Бен; Коэн, Ариэль; Бен-Дрор, Эйлам; Пермутер, Хаим Х. (14 декабря 2020 г.). «Исследование оценки канала MIMO с помощью 2D и 3D сверточных нейронных сетей». Международная конференция IEEE 2020 года по передовым сетям и телекоммуникационным системам (ANTS) . стр. 1–6. arXiv : 2011.08970 . doi : 10.1109/ANTS50601.2020.9342797. ISBN 978-1-7281-9290-1. S2CID  226994048.
8. А. Чжуан, Э. С. Лохан и М. Ренфорс, «Сравнение алгоритмов принятия решений и алгоритмов с пилотированием для комплексной оценки ответвлений каналов в системах WCDMA нисходящего канала», в Трудах 11-го IEEE Personal and Indoor Mobile Radio Communications (PIMRC), том 2, сентябрь 2000 г., стр. 1121-1125.

Внешние ссылки

• Инструмент Atheros CSI
• Инструмент Linux 802.11n CSI