تخمين كانال در سيستم هاي چند ورودي-چند خروجي انبوه، به علت وجود تعداد بسيار زياد آنتن ها، يكي از مسائل پرچالش در سال هاي اخير بوده است. حجم زياد پارامترهاي نامعلوم و پيچيدگي روابط، محققين را بر آن داشته، با مفروضات مناسب، به بازتعريف مسأله با پيچيدگي كمتري بپردازند. دريافت نسخه هاي مختلف از سيگنال ارسالي با تاخيرهاي متفاوت، باعث ايجاد پديده چند مسيرگي مي گردد، كه بايد ضرايب انتقال سيگنال در مسيرهاي مختلف انتشار در فرآيند تخمين كانال محاسبه گردند. در سيستم هاي متداول، به علت بزرگ بودن حداكثر تأخير كانال، تعداد مسيرها و در نتيجه تعداد ضرايبي كه بايد محاسبه گردند بسيار زياد مي باشد. جهت رفع اين مشكل، يكي از مفروضات متداول در تخمين كانال سيستم هاي چند ورودي-چند خروجي انبوه، تنك فرض نمودن كانال بين فرستنده ها و گيرنده ها مي باشد كه ناشي از تعداد كم منعكس كننده ها بين آنتن ها مي باشد. بدين ترتيب، تعداد ضرايب مجهول بسيار كاهش خواهد يافت. تنكي كانال ها، استفاده از حسگري فشرده را، روشي مناسب و قابل اطمينان براي تخمين ضرايب غير صفر يا ضرايب مهم مي گرداند. ما در اين رساله و در فصل دوم، با فرض چند مسيره بودن كانال فراسو )كانال محوشدگي گزينشگر فركانسي آهسته در ارتباط فراسو،( در سيستم چند ورودي-چند خروجي انبوه، با استفاده از حسگري فشرده، ضرايب غير صفر را تخمين مي زنيم. به جهت كاهش تعداد سيگنال هاي معلوم آموزشي )پايلوت،( با تحميل بار محاسباتي اضافي بسيار اندك، يك الگوريتم جديد نيمه-كور كه از همبستگي سيگنال ورودي براي كاهش تعداد پايلوت ها استفاده مي كند، ارائه مي كنيم. سپس در فصل سوم، با فرض تغييرات زماني سريع در كانال چند مسيره )كانال دوگانه گزين( در يك سيستم چند ورودي-چند خروجي انبوه، ابتدا براي كاهش تعداد پارامترهاي مجهول كانال دوگانه گزين، كانال را در چارچوب مدل مجموع توابع پايه ي نمايي مختلط وزن دهي شده با ضرايب ( بيان مي كنيم. (complex exponential - basis expansion model o‎r CE - BEM) سپس، رابطه مكانكانال پايلوت ها را با استفاده از همدوسي متقابل مسيرهاي كانال بدست آورده و با استفاده از الگوريتم ژنتيك مكان بهينه پايلوت ها را تعيين خواهيم نمود. آن گاه، با بدست آوردن همبستگي سيگنال ورودي براي كانال دوگانه گزين، و يك الگوريتم نيمه-كور بهينه )كه از همبستگي سيگنال دريافتي و پايلوت استفاده مي كند( كانال را تخمين مي زنيم. شبيه سازي هاي انجام شده براي هر دو الگوريتم در فصل هاي دوم و سوم نشان مي دهد، الگوريتم هاي پيشنهادي در اين رساله نسبت به الگوريتم هاي متداول، با پيچيدگي محاسباتي قابل قبولي، نياز به تعداد پايلوت كمتري براي تخمين كانال دارند. و اين بدين معناست كه، با بكارگيري همبستگي سيگنال ورودي، بازدهي طيفي سيستم افزايش يافته است.

1404/07/05

Massive Multiple Input-Multiple Output (MIMO) Channel Estimation with Compressive Sensing

6/11/2025 12:00:00 AM

Channel estimation in massive multiple input-multiple-output (MIMO) systems has been one of the most challenging issues in recent years due to the presence of a large number of antennas in these systems. The large amount of unknown parameters an‎d the complexity of their relationships have led researchers to redefine the problem with less complexity by considering appropriate assumptions. Receiving different copies of the transmitted signal with different delays, causes the phenomenon of multi-path channels, which in the channel estimation, the coefficients of different paths are estimated. In conventional systems, due to the large channel delay, the number of paths an‎d, as a result, the coefficients that must be calculated are very large. As a result, one of the common assumptions in the channel estimation of massive MIMO systems, is to assume the sparsity of the channel between transmitters an‎d receivers, which is caused by the small number of reflectors between antennas. In this way, the numbers of unknown coefficients will be greatly reduced. The sparsity of channels, makes the use of compressive sensing (CS) a suitable an‎d reliable way to estimate non-zero coefficients. In the second chapter, we consider slow frequency selec‎tive channels, an‎d we propse EM-SB algorithm to estimate the non-zero coefficients of the multi-path uplink channel in the massive MIMO-OFDM systems. In order to reduce the number of known training signals (pilots), we present a new semi-blind algorithm that uses the correlation of the input signal to reduce the number of pilots at the cost of a little more computational complexity. Then, in the third chapter, assuming the fast frequency selec‎tive channel (doubly selec‎tive (DS)) in a massive MIMO-OFDM system, we transform the problem into a distributed compressive sensing (DCS) coefficient estimation problem under the framework of basis expansion model (BEM) for the representation of channels. This largely reduces number of channel coefficients, as in the new problem, jointly sparse BEM coefficients to be estimated. To more improve its performance, firstly, a genetic based algorithm is employed to optimize pilot locations using mutual coherence of the received signal as the criterion. Secondly, taking advantage of the complex exponential (CE)-BEM, correlation of the received signal is used to estimate most significant lags (MSLs) of the channel. Using optimized pilot locations an‎d MSLs, we propose a novel algorithm, called semi-blind block orthogonal matching pursuit (SB-BOMP) for channel estimation. Extensive simulation results for both proposed algorithms, require fewer pilots for channel estimation than conventional algorithms, with an acceptable computational complexity. an‎d this means that, by employing the correlation of input signal, we were able to increase the spectral efficiency over multi-path an‎d DS channels.

سيستم چند ورودي-چند خروجي انبوه , حسگري فشرده , تخمين نيمه-كور كانال

Massive MIMO-OFDM , compressive sensing (CS) , semi-blind channel estimation

Mohammad Reza Mehrabani

Bahman Abolhasani