Информация о состоянии канала - Channel state information

В беспроводной связи , информация о состоянии канала ( CSI ) относится к известным свойствам канальных линии связи. Эта информация описывает, как сигнал распространяется от передатчика к приемнику, и представляет комбинированный эффект, например, рассеяния , замирания и уменьшения 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 системах с несколькими антеннами .

CSI необходимо оценивать в приемнике и обычно квантовать с обратной связью с передатчиком (хотя оценка обратной линии связи возможна в системах TDD ). Следовательно, передатчик и приемник могут иметь разные CSI. CSI в передатчике и CSI в приемнике иногда называют CSIT и CSIR соответственно.

Различные виды информации о состоянии канала

Существует два основных уровня CSI, а именно мгновенный CSI и статистический CSI.

Проточный CSI (или кратковременные ИКА) означает , что текущие условия канала , как известны, что можно рассматривать как зная импульсный отклик в виде цифрового фильтра . Это дает возможность адаптировать передаваемый сигнал к импульсной характеристике и тем самым оптимизировать принятый сигнал для пространственного мультиплексирования или для достижения низких частот ошибок по битам .

Статистическая CSI (или долгосрочная CSI) означает, что известна статистическая характеристика канала. Это описание может включать, например, тип распределения замираний , среднее усиление канала, компонент прямой видимости и пространственную корреляцию . Как и в случае мгновенного CSI, эту информацию можно использовать 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, разумна только статистическая CSI. С другой стороны, в системах с медленным замиранием мгновенную CSI можно оценить с разумной точностью и использовать для адаптации передачи в течение некоторого времени, прежде чем она устареет.

В практических системах доступная CSI часто находится между этими двумя уровнями; мгновенная CSI с некоторой ошибкой оценки / квантования сочетается со статистической информацией.

Математическое описание

В узкополосном канале с плоскими замираниями и множеством передающих и приемных антенн ( MIMO ) система моделируется как

{\ Displaystyle \ mathbf {y} = \ mathbf {H} \ mathbf {x} + \ mathbf {n}}

где и - векторы приема и передачи, соответственно, и - матрица канала и вектор шума, соответственно. Шум часто моделируется как круговая симметричная комплексная нормаль с ${\ displaystyle \ scriptstyle \ mathbf {y}}$ ${\ displaystyle \ scriptstyle \ mathbf {x}}$ ${\ Displaystyle \ scriptstyle \ mathbf {H}}$ ${\ Displaystyle \ scriptstyle \ mathbf {п}}$

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

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

Мгновенный CSI

В идеале матрица каналов известна в совершенстве. Из-за ошибок оценки канала информация о канале может быть представлена как ${\ Displaystyle \ scriptstyle \ mathbf {H}}$

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

где - оценка канала, а - матрица ковариации ошибки оценки. Векторизации была использована для достижения колонки укладки , так как многомерные случайные величины обычно определяются как векторы. ${\ displaystyle \ scriptstyle \ mathbf {H} _ {\ textrm {оценка}}}$ ${\ displaystyle \ scriptstyle \ mathbf {R} _ {\ textrm {error}}}$ ${\ displaystyle {\ mbox {vec}} ()}$ ${\ Displaystyle \ scriptstyle \ mathbf {H}}$

Статистический CSI

В этом случае известна статистика . В канале с рэлеевскими замираниями это соответствует знанию того, что ${\ Displaystyle \ scriptstyle \ mathbf {H}}$

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

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

Оценка CSI

Поскольку условия канала меняются, мгновенную CSI необходимо оценивать на краткосрочной основе. Популярным подходом является так называемая обучающая последовательность (или пилотная последовательность), при которой передается известный сигнал, а матрица канала оценивается с использованием комбинированных сведений о переданном и принятом сигналах. ${\ Displaystyle \ scriptstyle \ mathbf {H}}$

Обозначим обучающую последовательность , 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}.}

Комбинируя полученные обучающие сигналы для , общая обучающая сигнализация становится ${\ displaystyle \ mathbf {y} _ {i}}$ ${\ Displaystyle я = 1, \ ldots, N}$

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

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

В этом обозначении оценка канала означает, что ее следует восстанавливать, зная и . ${\ Displaystyle \ scriptstyle \ mathbf {H}}$ ${\ Displaystyle \ scriptstyle \ mathbf {Y}}$ ${\ Displaystyle \ scriptstyle \ mathbf {P}}$

Оценка методом наименьших квадратов

Если распределение каналов и шума неизвестно, то используется оценка методом наименьших квадратов (также известная как несмещенная оценка с минимальной дисперсией ).

{\ Displaystyle \ mathbf {H} _ {\ textrm {LS-оценка}} = \ mathbf {Y} \ mathbf {P} ^ {H} (\ mathbf {P} \ mathbf {P} ^ {H}) ^ {-1}}

где обозначает сопряженное транспонирование . Среднеквадратическая ошибка оценки (MSE) пропорциональна ${\ displaystyle () ^ {H}}$

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

где обозначает след . Ошибка сводится к минимуму, когда является масштабированной единичной матрицей . Это может быть достигнуто только тогда, когда количество передающих антенн равно (или больше). Простейшим примером оптимальной обучающей матрицы является выбор в качестве (масштабированной) единичной матрицы того же размера, что и количество передающих антенн. ${\ displaystyle \ mathrm {tr}}$ ${\ Displaystyle \ mathbf {P} \ mathbf {P} ^ {H}}$ ${\ displaystyle N}$ ${\ Displaystyle \ scriptstyle \ mathbf {P}}$

Оценка MMSE

Если распределение каналов и шума известно, то эту априорную информацию можно использовать для уменьшения ошибки оценки. Этот подход известен как байесовская оценка, и для каналов с рэлеевскими замираниями он использует то, что

{\ 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 байесовский аналог наименьших квадратов оценки и становится

{\ Displaystyle {\ mbox {vec}} (\ mathbf {H} _ {\ textrm {MMSE-оценка}}) = \ 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 количества приемных антенн. Среднеквадратическая ошибка оценки (MSE) составляет ${\ displaystyle \ otimes}$ ${\ Displaystyle \ scriptstyle \ mathbf {I}}$

{\ 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, как правило, может быть получена только путем численной оптимизации. Но существуют эвристические решения с хорошей производительностью, основанные на заполнении водой . В отличие от оценки методом наименьших квадратов, ошибка оценки для пространственно коррелированных каналов может быть минимизирована, даже если она меньше, чем количество передающих антенн. Таким образом, оценка MMSE может как уменьшить ошибку оценки, так и сократить требуемую обучающую последовательность. Однако дополнительно требуется знание матрицы корреляции канала и матрицы корреляции шума . При отсутствии точного знания этих корреляционных матриц необходимо сделать надежный выбор, чтобы избежать ухудшения MSE. ${\ Displaystyle \ scriptstyle \ mathbf {P}}$ ${\ displaystyle N}$ ${\ Displaystyle \ scriptstyle \ mathbf {R}}$ ${\ Displaystyle \ scriptstyle \ mathbf {S}}$

Оценка на основе данных или слепая оценка

В подходе, основанном на данных, оценка канала основана на некоторых известных данных, которые известны как в передатчике, так и в приемнике , таких как обучающие последовательности или пилотные данные. При слепом подходе оценка основана только на полученных данных без какой-либо известной передаваемой последовательности. Компромиссом является точность по сравнению с затратами. Подход, основанный на данных, требует большей полосы пропускания или имеет более высокие накладные расходы, чем слепой подход, но он может обеспечить лучшую точность оценки канала, чем слепая оценка.

Смотрите также

Зондирование канала

Languages

In other projects