✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
研究背景
- 5G 及未来通信发展需求：随着 5G 及未来 6G 无线通信系统的发展，毫米波通信与大规模 MIMO 技术的融合成为关键研究方向。毫米波频段有丰富带宽资源，但路径损耗严重，需大规模 MIMO 技术实现空间波束赋形补偿损耗。然而，传统全连接架构硬件成本和功耗极高，限制了其应用。
- 降低系统复杂度的需求：透镜天线阵列因其电磁聚焦特性，成为降低复杂度的有效解决方案。它可将空域信道转换为波束域信道，减少需估计的信道矩阵维度和射频链路数，降低实现复杂度，因此在毫米波大规模 MIMO 系统中得到广泛研究。但波束选择要求基站获取精确的波束空间信道信息，由于波束空间信道规模大而射频链数量有限，信道估计成为颇具挑战性的任务。
基本原理
- 透镜天线阵列原理：透镜天线一般由电磁透镜和位于焦点区域的匹配天线阵列组成。根据几何光学理论，它可将不同角度的入射信号聚焦于不同的接收天线子集，能把信号从空间域转换到波束域，可看作连续孔径相位 MIMO 系统中 N×N 维的空间离散傅里叶变换（DFT）矩阵。
- 波束空间信道稀疏性：毫米波信道具有有限散射特性，路径数少，信号入射角度集中。经透镜转换后的波束空间信道矩阵呈现稀疏性，非零元素对应有效传播路径。这一特性为将信道估计问题转化为稀疏信号恢复问题提供了理论基础。
- 信道估计原理：基于波束空间信道的稀疏性，可利用贪婪算法（如 OMP）或凸优化方法（如 LASSO）等，将信道估计转化为稀疏信号恢复问题，从少量导频中恢复非零路径。具体步骤包括导频传输、路径识别和参数细化。此外，还可通过构造过完备字典、利用低秩优化等方法提高估计精度和效率，同时需考虑导频开销与估计精度的平衡、硬件校准与误差补偿以及高移动性环境下的信道估计等问题。
⛳️ 运行结果
编辑
编辑
📣 部分代码
function nc = noCollision(n2, n1, o)
A = [n1(1) n1(2)];
B = [n2(1) n2(2)];
obs = [o(1) o(2) o(1)+o(3) o(2)+o(4)];
C1 = [obs(1),obs(2)];
D1 = [obs(1),obs(4)];
C2 = [obs(1),obs(2)];
D2 = [obs(3),obs(2)];
C3 = [obs(3),obs(4)];
D3 = [obs(3),obs(2)];
C4 = [obs(3),obs(4)];
D4 = [obs(1),obs(4)];
% Check if path from n1 to n2 intersects any of the four edges of the
% obstacle
ints1 = ccw(A,C1,D1) ~= ccw(B,C1,D1) && ccw(A,B,C1) ~= ccw(A,B,D1);
ints2 = ccw(A,C2,D2) ~= ccw(B,C2,D2) && ccw(A,B,C2) ~= ccw(A,B,D2);
ints3 = ccw(A,C3,D3) ~= ccw(B,C3,D3) && ccw(A,B,C3) ~= ccw(A,B,D3);
ints4 = ccw(A,C4,D4) ~= ccw(B,C4,D4) && ccw(A,B,C4) ~= ccw(A,B,D4);
if ints1==0 && ints2==0 && ints3==0 && ints4==0
nc = 1;
else
nc = 0;
end
end
🔗 参考文献
[1] 程振桥.基于透镜天线阵列的大规模MIMO系统性能优化研究[D].北京邮电大学,2022.
[2] 董福王.大规模MIMO联合感知通信波束赋形技术研究[D].哈尔滨工程大学,2022.
[3] 陈真,唐杰,杜晓宇,等.无人机辅助多用户毫米波MIMO系统的透镜波束预编码技术研究[J].电子与信息学报, 2022(044-003).
