2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩72頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、經典的最小均方誤差(MMSE,Minimum Mean Square Error)估計需要對協(xié)方差矩陣進行求逆,復雜度為矩陣維度的三次方,在大規(guī)模MIMO系統(tǒng)中用其進行信道估計的代價太高,研究如何降低此時的估計復雜度具有重要意義。
  本學位論文在基于導頻信道估計的基礎上,采用截短多項式展開(TPE,TruncatedPolynomial Expansion)技術,對如何降低大規(guī)模MIMO信道估計復雜度進行深入研究。首先介紹基于T

2、aylor級數(shù)展開的信道估計模型,該模型的復雜度遠低于基于MMSE算法的信道估計模型。為了提高該模型的收斂速度,本文提出采用Kapteyn級數(shù)對協(xié)方差矩陣進行展開,從而得到基于Kapteyn級數(shù)展開的信道估計模型。仿真結果可以看出,當截短多項式階數(shù)為10時,與Taylor-MMSE算法相比,Kapteyn-MMSE估計算法的性能有0.3dB的增益,后者的均方誤差(MSE,Mean Square Error)收斂速度快于前者,但其復雜度略

3、高。
  然后重點研究如何通過優(yōu)化多項式系數(shù)來獲得高性能的信道估計模型。在基于Kapteyn級數(shù)展開的信道估計模型基礎上,通過優(yōu)化Kapteyn級數(shù)展開的多項式系數(shù)來獲得高性能的信道估計,提出一種基于加權Kapteyn級數(shù)展開的信道估計模型。為了解決該模型中加權系數(shù)的問題,建立了無約束的非線性優(yōu)化模型。針對該模型,論文將其分解為兩個子線性優(yōu)化模型并利用基于坐標輪換的迭代算法來求解。仿真結果表明,隨著展開多項式階數(shù)的增加,基于加權K

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論