С.Н. Трушков1, В.В. Купцов2, О.А. Шмонин3, К.А. Понур4

1-4 Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (г. Нижний Новгород, Россия)

1 trushkovsn@gmail.com; 2 vitaliy.kuptsov.nn@yandex.ru; 3 olgsh6@yandex.ru; 4 ponur0kirill@gmail.com

Постановка проблемы. В работе рассматривается задача снижения числа пилотных сигналов в системах связи, использующих для передачи данных технологии Orthogonal Frequency Division Multiplexing (OFDM) и massive Multiple-Input Multiple-Output (massive MIMO). На практике эффективное использование таких систем требует точной оценки канала с помощью передачи пилотных сигналов для каждого антенного элемента, что значительно снижает общую пропускную способность при увеличении числа антенн.

Цель. Представить алгоритмы восстановления полной канальной матрицы на основе измерений канальных коэффициентов для неполного набора антенных элементов на стороне передатчика.

Результаты. Рассмотрены подходы к формированию карты высокого разрешения (КВР). Разработаны два алгоритма восстановления полной канальной матрицы на основе измерений канальных коэффициентов для неполного набора антенных элементов на стороне передатчика. Путем численного моделирования выполнена оценка эффективности предложенных алгоритмов восстановления. Показано, что эти алгоритмы обеспечивают существенное снижение числа передаваемых пилотных сигналов без потерь в точности оценки канала за счет снижения числа антенных портов, используемых для передачи пилотных сигналов, вследствие чего достигается увеличение общей пропускной способности OFDM-системы связи за счет использования освободившихся служебных ресурсов для передачи полезных данных.

Практическая значимость. Представленные алгоритмы можно применять в OFDM-системах связи с многоэлементными антенными решетками на стороне передатчика и приемника (massive MIMO), так как они позволяют эффективно восстанавливать канал для многопоточной передачи данных на нескольких пространственных потоках.

Трушков С.Н., Купцов В.В., Шмонин О.А., Понур К.А. Восстановление полной канальной матрицы на основе измерений канала по неполному набору антенных портов с использованием карты высокого разрешения // Радиотехника. 2025. Т. 89. № 6.
С. 90–103. DOI: https://doi.org/10.18127/j00338486-202506-09

1. Fazel K., Fettweis G. Multi-carrier and spread spectrum systems. Wiley. 2003.
2. Baykal B. Blind channel estimation via combining autocorrelation and blind phase estimation // IEEE Transactions on Circuits and Systems I: Regular Papers. 2004. V. 51. № 6. P. 1125-1131.
3. Zhang W., Gao F., Yin Q. Blind channel estimation for MIMO-OFDM systems with low order signal constellation // IEEE Communication Letters. 2015. V. 19. № 3. P. 499-502.
4. Sutar M.B., Patil V.S. LS and MMSE estimation with different fading channels for OFDM system // 2017 International conference of Electronics, Communication and Aerospace Technology (ICECA). Coimbatore/ India. 2017. P. 740-745.
5. Sterba J., Kocur D. Pilot symbol aided channel estimation for OFDM system in frequency selective Rayleigh fading channel // 2009 19th International Conference Radioelektronika. Bratislava. Slovakia. 2009. P. 77-80.
6. Zourob M., Rao R. Lower-complexity Wiener filtering for UE-RS channel estimation in LTE DL system // 2017 International Symposium on Wireless Systems and Networks (ISWSN). Lahore. Pakistan. 2017. P. 1-5.
7. Auer G. 3D MIMO-OFDM channel estimation // IEEE Transactions on Communications. 2012. V. 60. № 4. P. 972-985.
8. Lee B.M., Kim Y. Beam grouping based RS resource reuse and de-contamination in large scale MIMO systems // Appl. Sci. 2017.
9. Adhikary A., Nam J., Ahn J.Y., Caire G. Joint spatial division and multiplexing - the large-scale array regime // IEEE Transactions on Information Theory. 2013. V. 59. № 10. P. 6441-6463.
10. Dong P., Zhang H., Li G.Y. Machine learning prediction based CSI acquisition for FDD massive MIMO downlink // 2018 IEEE Global Communications Conference (GLOBECOM). Abu Dhabi. 2018. P. 1-6.
11. Zhang Z., Zhang J., Zhang Y., Yu L., Liu G. Ai-based time-, frequency-, and space-domain channel extrapolation for 6G: opportunities and challenges // IEEE Vehicular Technology Magazine. 2023. V. 18. № 1. P. 29-39.
12. Yang Y., Zhang S., Gao F., Xu C., Ma J., Dobre O.A. Deep learning based antenna selection for channel extrapolation in FDD massive MIMO // 2020 International Conference on Wireless Communications and Signal Processing (WCSP). Nanjing. 2020. P. 182-187.
13. Choi H., Choi J. Downlink extrapolation for FDD multiple antenna systems through neural network using extracted uplink path gains // IEEE Access. 2020. V. 8. P. 67100-67111.
14. Han Y., Hsu T.H., Wen C.K., Wong K.K., Jin S. Efficient downlink channel reconstruction for FDD multi-antenna systems // IEEE Transactions on Wireless Communications. 2019. V. 18. № 6. P. 3161-3176.
15. Han Y., Jin S., Li. X., Wen C.K., Quek T.Q.S. Multi-domain channel extrapolation for FDD massive MIMO systems // IEEE Transactions on Communications. 2021. V. 69. № 12. P. 8534-8550.
16. Godara L.C. Smart antennas. CRC Press. 2004.
17. Stoica P., Moses R. Spectral analysis of signals. N.J.: Prentice Hall Inc. 2005.
18. Shmidt R.O. Multiple emitter location and signal parameter estimation // IEEE Trans. Antennas Propagat. 1986. V. 34. P. 276-280.
19. Jaeckel S., Raschkowski L., Borner K.B., Thiele L., Burkhardt F., Eberlein E. QuaDRiGa - quasi deterministic radio channel generator, user manual and documentation // Fraunhofer Henrich Hertz Institue, Tech Rep. v2.0.0. 2017. Quadriga-manual-ref.
20. Jaeckel S., Raschkowski L., Borner K.B., Thiele L. QuaDRiGa: A 3-D multi-cell channel model with time evolution for enabling virtual field trials // IEEE Trans. Antennas Propagat. 2014. T. 62. P. 3242-3256.