Covariance Matrix Estimation for Massive MIMO
نویسندگان
چکیده
منابع مشابه
Covariance Matrix Estimation in Massive MIMO
Interference during the uplink training phase significantly deteriorates the performance of a massive MIMO system. The impact of the interference can be reduced by exploiting second order statistics of the channel vectors, e.g., to obtain minimum mean squared error estimates of the channel. In practice, the channel covariance matrices have to be estimated. The estimation of the covariance matri...
متن کاملchannel estimation for mimo-ofdm systems
تخمین دقیق مشخصات کانال در سیستم های مخابراتی یک امر مهم محسوب می گردد. این امر به ویژه در کانال های بیسیم با خاصیت فرکانس گزینی و زمان گزینی شدید، چالش بزرگی است. مقالات متعدد پر از روش های مبتکرانه ای برای طراحی و آنالیز الگوریتم های تخمین کانال است که بیشتر آنها از روش های خاصی استفاده می کنند که یا دارای عملکرد خوب با پیچیدگی محاسباتی بالا هستند و یا با عملکرد نه چندان خوب پیچیدگی پایینی...
Semi-Blind Channel Estimation based on subspace modeling for Multi-user Massive MIMO system
Channel estimation is an essential task to fully exploit the advantages of the massive MIMO systems. In this paper, we propose a semi-blind downlink channel estimation method for massive MIMO system. We suggest a new modeling for the channel matrix subspace. Based on the low-rankness property, we have prposed an algorithm to estimate the channel matrix subspace. In the next step, using o...
متن کاملChannel Estimation for TDD/FDD Massive MIMO Systems with Channel Covariance Computing
In this paper, we propose a new channel estimation scheme for TDD/FDD massive MIMO systems by reconstructing uplink/downlink channel covariance matrices (CCMs) with the aid of array signal processing techniques. Specifically, the angle information and power angular spectrum (PAS) of each multi-path channel is extracted from the instantaneous uplink channel state information (CSI). Then, the upl...
متن کاملEstimation of Covariance Matrix
Estimation of population covariance matrices from samples of multivariate data is important. (1) Estimation of principle components and eigenvalues. (2) Construction of linear discriminant functions. (3) Establishing independence and conditional independence. (4) Setting confidence intervals on linear functions. Suppose we observed p dimensional multivariate samples X1, X2, · · · , Xn i.i.d. wi...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: IEEE Signal Processing Letters
سال: 2018
ISSN: 1070-9908,1558-2361
DOI: 10.1109/lsp.2018.2805725