Информация о состоянии канала

В беспроводной связи информация о состоянии канала ( CSI ) — это известные свойства канала линии связи. Эта информация описывает, как сигнал распространяется от передатчика к приемнику, и представляет собой совокупный эффект, например, рассеяния , затухания и снижения мощности с расстоянием. Этот 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 в приемнике и обычно квантовать и отправить обратную связь передатчику (хотя оценка обратной линии связи возможна в дуплексных системах с временным разделением каналов (TDD)). Следовательно, передатчик и приемник могут иметь разные CSI. CSI в передатчике и CSI в приемнике иногда называются CSIT и CSIR соответственно.

Различные виды информации о состоянии канала

В основном существует два уровня CSI, а именно мгновенный CSI и статистический CSI.

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

Статистический CSI (или долгосрочный 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 с мгновенным 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 изменяются при передаче одного информационного символа, разумным является только статистический CSI. С другой стороны, в системах с медленным замиранием мгновенный CSI можно оценить с достаточной точностью и использовать для адаптации передачи в течение некоторого времени, прежде чем он устареет.

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

Математическое описание

В узкополосном канале с плоским замиранием с несколькими передающими и приемными антеннами ( MIMO ) система моделируется как

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

где $\mathbf {y}$ и $\mathbf {x}$ — векторы приема и передачи соответственно, и $\mathbf {H}$ и $\mathbf {n}$ — матрица канала и вектор шума соответственно. Шум часто моделируется как круговой симметричный комплексный нормальный с

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

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

Мгновенный CSI

В идеале матрица каналов $\mathbf {H}$ известно прекрасно. Из-за ошибок оценки канала информация о канале может быть представлена ​​как

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

где $\mathbf {H} _{\textrm {estimate}}$ это оценка канала и $\mathbf {R} _{\textrm {error}}$ — ковариационная матрица ошибки оценки. Векторизация ​ ${\mbox{vec}}()$ был использован для достижения укладки столбцов $\mathbf {H}$, поскольку многомерные случайные величины обычно определяются как векторы.

Статистический CSI

В этом случае статистика $\mathbf {H}$ известны. В канале с замиранием Рэлея это соответствует знанию того, что

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

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

Оценка CSI

Поскольку условия в канале различаются, мгновенный CSI необходимо оценивать на краткосрочной основе. Популярным подходом является так называемая обучающая последовательность (или пилот-последовательность), при которой передается известный сигнал и матрица каналов $\mathbf {H}$ оценивается с использованием объединенных знаний о переданном и принятом сигнале.

Обозначим обучающую последовательность $\mathbf {p} _{1},\ldots ,\mathbf {p} _{N}$, где вектор $\mathbf {p} _{i}$ передается по каналу как

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

Путем объединения полученных обучающих сигналов $\mathbf {y} _{i}$ для $i=1,\ldots ,N$, общая обучающая сигнализация становится

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

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

В этом обозначении оценка канала означает, что $\mathbf {H}$ должны быть извлечены из знания $\mathbf {Y}$ и $\mathbf {P}$.

Оценка методом наименьших квадратов

Если распределения каналов и шума неизвестны, то оценка наименьших квадратов (также известная как несмещенная оценка с минимальной дисперсией ) равна

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

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

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

где $\mathrm {tr}$ обозначает след . Ошибка минимизируется, если $\mathbf {P} \mathbf {P} ^{H}$ представляет собой масштабированную единичную матрицу . Этого можно достичь только тогда, когда $N$ равно (или больше) количеству передающих антенн. Простейшим примером оптимальной матрицы обучения является выбор $\mathbf {P}$ как (масштабированную) единичную матрицу того же размера, что и количество передающих антенн.

Оценка MMSE

Если известны распределения каналов и шума, то эту априорную информацию можно использовать для уменьшения ошибки оценки. Этот подход известен как байесовская оценка , и для каналов затухания Рэлея он использует это

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

Оценка MMSE является байесовским аналогом оценки наименьших квадратов и становится

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

где $\otimes$ обозначает произведение Кронекера и единичную матрицу $\scriptstyle \mathbf {I}$ имеет размерность количества приемных антенн. Оценка MSE

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

и минимизируется обучающей матрицей $\mathbf {P}$ в общем случае это можно получить 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 $N$ меньше числа передающих антенн. Таким образом, оценка MMSE может как уменьшить ошибку оценки, так и сократить необходимую последовательность обучения. Однако для этого необходимо дополнительно знать матрицу корреляции каналов. $\mathbf {R}$ и корреляционная матрица шума $\mathbf {S}$. При отсутствии точного знания этих корреляционных матриц необходимо сделать надежный выбор, чтобы избежать деградации MSE.

Оценка нейронной сети

С развитием глубокого обучения была проведена работа это показывает, что информацию о состоянии канала можно оценить с помощью нейронной сети, такой как 2D/3D CNN, и получить лучшую производительность при меньшем количестве пилотных сигналов. Основная идея заключается в том, что нейронная сеть может выполнять хорошую интерполяцию по времени и частоте.

Оценка с использованием 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 основывается только на полученных данных без какой-либо известной передаваемой последовательности. Компромиссом является точность и накладные расходы. Подход с использованием данных требует большей пропускной способности или имеет более высокие накладные расходы, чем слепой подход, но он может обеспечить лучшую точность оценки канала , чем слепой метод оценки.

См. также

• Озвучивание канала

Внешние ссылки

• Инструмент Atheros CSI
• Инструмент Linux 802.11n CSI