毫米波MIMO系统中的空间稀疏预编码附matlab代码

简介: 毫米波MIMO系统中的空间稀疏预编码附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

大规模多输入多输出(MIMO)技术能够大幅度提升系统容量,降低不同用户间的干扰,但因其系统中信道维度高、信道估计和预编码算法复杂等因素,使得系统软硬件开销都会增大。将大规模MIMO系统的预编码算法分为数字、模拟和混合3种类型,并对3类预编码算法进行了归纳对比,总结出不同预编码算法的优缺点和适用场景。将信道估计方案分为训练估计和盲估计,归纳总结了2类方案的优缺点,并指出合理利用大规模MIMO的信道稀疏性能够改善信道估计的质量,减少估计开销。

⛄ 部分代码

clear all

close all

snrValuesDB = -40:5:0; %in Figures

snrValues = 10.^(snrValuesDB./10);

tryNumber = 100;

%% Fig4 Parameters

parameters_Fig4 = containers.Map('KeyType','char','ValueType','any');

parameters_Fig4('numberTransmitAntennas') = 256; % Number of transmit antennas

parameters_Fig4('numberRecieveAntennas') = 64; % Number of receive antennas

parameters_Fig4('numberDataStreams') = 1; % Number of data streams

parameters_Fig4('numberRFChains') = 6; % Number of RF chains for precoding and combining

parameters_Fig4('numberCluster') = 8; % Number of clusters

parameters_Fig4('numberRayPerCluster') = 10; % Number of rays per cluster

parameters_Fig4('angularSpread') = 7.5; % Angular spread of 7.5 degree

spectralEffOptimal = zeros(tryNumber,length(snrValues));

spectralEffHybrid = zeros(tryNumber,length(snrValues));

spectralEffBeam = zeros(tryNumber,length(snrValues));

for s = 1:length(snrValues)

   SNR = snrValues(s);

   for i = 1:tryNumber

       channel = ChannelGeneration(parameters_Fig4);

       tempObj = OptimalUnconstraint(SNR,channel);

       spectralEffOptimal(i,s) = tempObj.spectralEfficiency;

       tempObj = HybridSparsePrecoding(SNR,channel);

       spectralEffHybrid(i,s) = tempObj.spectralEfficiency;

       tempObj = BeamSteering(SNR,channel);

       spectralEffBeam(i,s) = tempObj.spectralEfficiency;

       

   end

end

% Averaging Tries

spectralEffOptimalSNR = mean(spectralEffOptimal,1);

spectralEffHybridSNR = mean(spectralEffHybrid,1);

spectralEffBeamSNR = mean(spectralEffBeam,1);

% figure();

hold on

l1 = plot(snrValuesDB,spectralEffOptimalSNR,'-s','Color',[0 0.5 0],'LineWidth',2.0,'MarkerSize',8.0);

l2 = plot(snrValuesDB,spectralEffHybridSNR,'-o','Color',[0 0.45 0.74],'LineWidth',2.0,'MarkerSize',8.0);hold on;

l3 = plot(snrValuesDB,spectralEffBeamSNR,'-d','Color',[0.85 0.33 0.1],'LineWidth',2.0,'MarkerSize',8.0);hold on;

%% Data stream

parameters_Fig4('numberDataStreams') = 2; % Number of data streams

spectralEffOptimal = zeros(tryNumber,length(snrValues));

spectralEffHybrid = zeros(tryNumber,length(snrValues));

for s = 1:length(snrValues)

   SNR = snrValues(s);

   for i = 1:tryNumber

       channel = ChannelGeneration(parameters_Fig4);

       tempObj = OptimalUnconstraint(SNR,channel);

       spectralEffOptimal(i,s) = tempObj.spectralEfficiency;

       tempObj = HybridSparsePrecoding(SNR,channel);

       spectralEffHybrid(i,s) = tempObj.spectralEfficiency;


       

   end

end

% Averaging Tries

spectralEffOptimalSNR = mean(spectralEffOptimal,1);

spectralEffHybridSNR = mean(spectralEffHybrid,1);

spectralEffBeamSNR = mean(spectralEffBeam,1);

l4 = plot(snrValuesDB,spectralEffOptimalSNR,'-s','LineWidth',2.0,'MarkerSize',8.0);

l5 = plot(snrValuesDB,spectralEffHybridSNR,'-o','LineWidth',2.0,'MarkerSize',8.0);hold on;

legend([l1 l2 l3 l4 l5],'Optimal unconstrained precoding N_s = 1','Hybrid precoding and combining N_s = 1','Beam steering N_s = 1','Optimal unconstrained precoding N_s = 2','Hybrid precoding and combining N_s = 2','Location','northwest','FontSize', 15);

xlabel('SNR (dB)','FontSize', 20)

ylabel('Spectral Efficiency(bits/s/Hz)','FontSize', 20)

⛄ 运行结果

⛄ 参考文献

[1] 邹卫霞, 张然. 一种在毫米波MIMO系统中基于分层设计的迭代混合预编码方法:.

[2] 张钰, 赵雄文. 毫米波大规模MIMO系统中的预编码技术[J]. 中兴通讯技术, 2018, 24(3):6.

[1] 宗慧吉祥. 毫米波MIMO系统中的子天线阵列预编码算法研究[J]. 电视技术, 2017, 41(1):53-57.

[2] 郑兴林、王月、刘伟. 毫米波MIMO系统中部分连接型混合预编码设计[J]. 计算机工程与应用, 2020, 56(18):7.

[3] 孙霁含, 邱玲. 毫米波MIMO系统中基于射频链路选择的高能效混合预编码设计[J]. 中国科学院大学学报, 2018, 35(5):8.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料




相关文章
|
1月前
|
算法 5G 数据安全/隐私保护
大规模MIMO通信系统信道估计matlab性能仿真,对比LS,OMP,MOMP以及CoSaMP
本文介绍了大规模MIMO系统中的信道估计方法,包括最小二乘法(LS)、正交匹配追踪(OMP)、多正交匹配追踪(MOMP)和压缩感知算法CoSaMP。展示了MATLAB 2022a仿真的结果,验证了不同算法在信道估计中的表现。最小二乘法适用于非稀疏信道,而OMP、MOMP和CoSaMP更适合稀疏信道。MATLAB核心程序实现了这些算法并进行了性能对比。以下是部分
188 84
|
5天前
|
安全 调度
电力系统的负荷损失和潮流计算matlab仿真,对比最高度数,最高介数以及最高关键度等节点攻击
本课题研究节点攻击对电力系统稳定性的影响,通过模拟最高度数、最高介数和最高关键度攻击,对比不同攻击方式下的停电规模。采用MATLAB 2022a 进行系统仿真,核心程序实现线路断开、潮流计算及优化。研究表明,节点攻击会导致负荷损失和系统瘫痪,对电力系统的安全构成严重威胁。通过分析负荷损失率和潮流计算,提出减少负荷损失的方法,以提升电力系统的稳定性和安全性。
|
2天前
|
算法
基于最小二乘递推算法的系统参数辨识matlab仿真
该程序基于最小二乘递推(RLS)算法实现系统参数辨识,对参数a1、b1、a2、b2进行估计并计算误差及收敛曲线,对比不同信噪比下的估计误差。在MATLAB 2022a环境下运行,结果显示了四组误差曲线。RLS算法适用于实时、连续数据流中的动态参数辨识,通过递推方式快速调整参数估计,保持较低计算复杂度。
|
5天前
|
数据采集 算法 5G
基于稀疏CoSaMP算法的大规模MIMO信道估计matlab性能仿真,对比LS,OMP,MOMP,CoSaMP
该研究采用MATLAB 2022a仿真大规模MIMO系统中的信道估计,利用压缩感知技术克服传统方法的高开销问题。在稀疏信号恢复理论基础上,通过CoSaMP等算法实现高效信道估计。核心程序对比了LS、OMP、NOMP及CoSaMP等多种算法的均方误差(MSE),验证其在不同信噪比下的性能。仿真结果显示,稀疏CoSaMP表现优异。
19 2
|
1月前
|
算法 5G 数据安全/隐私保护
3D-MIMO信道模型的MATLAB模拟与仿真
该研究利用MATLAB 2022a进行了3D-MIMO技术的仿真,结果显示了不同场景下的LOS概率曲线。3D-MIMO作为5G关键技术之一,通过三维天线阵列增强了系统容量和覆盖范围。其信道模型涵盖UMa、UMi、RMa等场景,并分析了LOS/NLOS传播条件下的路径损耗、多径效应及空间相关性。仿真代码展示了三种典型场景下的LOS概率分布。
56 1
|
1月前
|
算法
基于极大似然算法的系统参数辨识matlab仿真
本程序基于极大似然算法实现系统参数辨识,对参数a1、b1、a2、b2进行估计,并计算估计误差及收敛曲线,对比不同信噪比下的误差表现。在MATLAB2022a版本中运行,展示了参数估计值及其误差曲线。极大似然估计方法通过最大化观测数据的似然函数来估计未知参数,适用于多种系统模型。
|
2月前
|
算法 数据安全/隐私保护
基于LS算法的OFDM+QPSK系统信道估计均衡matlab性能仿真
基于MATLAB 2022a的仿真展示了OFDM+QPSK系统中最小二乘(LS)算法的信道估计与均衡效果。OFDM利用多个低速率子载波提高频谱效率,通过循环前缀克服多径衰落。LS算法依据导频符号估计信道参数,进而设计均衡器以恢复数据符号。核心程序实现了OFDM信号处理流程,包括加性高斯白噪声的加入、保护间隔去除、快速傅立叶变换及信道估计与均衡等步骤,并最终计算误码率,验证了算法的有效性。
67 2
|
2月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
136 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
2月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
101 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
2月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
74 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码

热门文章

最新文章