大规模MIMO三维信道建模算法研究及matlab仿真分析
大规模MIMO三维信道建模算法研究及matlab仿真分析
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
1 简介
MIMO（Multiple Input Multiple Output）技术采用多个天线，在相同时频资源上传输信号，能在不增加系统带宽的前提下提高信道容量，也能在较低的发射功率情形下得以实现。因此，MIMO技术越来越多地受到无线通信研究者的关注，大规模MIMO（Massive MIMO）技术也被应用于5G系统。而无论是在MIMO技术的理论研究阶段还是在MIMO系统的应用阶段，对MIMO信道模型的研究都是必不可少的。
本文主要研究了MIMO信道建模，总结了常见的用于仿真的信道模型。在此基础上，所做的主要研究如下：
（1）深入学习了基于几何的二维SCM和三维WINNER Ⅱ模型，研究了这两种模型的建模算法。对比于二维SCM模型，三维WINNER Ⅱ模型考虑了仰角维度，大尺度参数之间的相关性更加复杂，但其比二维SCM模型更加符合实际信道。
（2）深入学习了基于相关的二维Kronecker和三维Kronecker模型，这两种模型的建模算法较为简单，但也能很好地描述实际信道。三维Kronecker模型由于考虑仰角维度，其相关矩阵的计算比二维Kronecker模型的要复杂。
（3）对上述四种模型算法进行了MATLAB仿真，对比分析了其信道容量和相关性等信道特征。研究发现，三维信道模型的信道容量和空间相关性都比二维信道的更优。不同模型下，宏小区的信道容量都不及微小区。三维 Kronecker模型中，对比于仰角服从高斯分布的系统，仰角服从VMF分布的系统信道容量更大，空间相关性也更好，但在二维 Kronecker模型中两种分布方式的信道性能并无太大区别。
WINNER项目组织于2005年初对SCM模型进行了一些扩展，建立了SCM扩展模型（SCME，Spatial Channel Model Extended）。随后相继提出了WINNER模型和WINNER Ⅱ模型。 与二维SCM模型所不同的是，三维WINNER信道模型中考虑了仰角维度的扩展，二维SCM信道模型中的离开角、到达角和角度扩展参数都是针对水平方位角的，引入俯仰角后的三维WINNER信道，天线增益将不仅与方位角有关，也会受到俯仰角的影响。3GPP工作组测量了城市微小区和城市宏小区两种场景下的不同环境（LOS，NLOS和O-to-I）MIMO信道参数。与上述二维SCM模型所不同的是，三维MIMO信道模型中，每个天线单元都有自己的坐标系（ECS，Element Coordinate System），各天线单元之间的相对位置由阵列坐标系（ACS，Array Coordinate System）来确定，而对于整个收发天线系统，还需要建立一个全局坐标系（GCS，Global Coordinate System）来精准定位每个天线单元.
2 部分代码
%
4 x 4 MIMO信道容量随信噪比的变化
%
采用极化天线与不采用极化天线的对比
clc;
clear;
close
all
U
=
4;
S
=
4;
I
=
eye(U,S);
snr
=
1:20;
C
=
zeros(2,length(snr));
C_XPR
=
zeros(2,length(snr));
d2D
=
250;
color
=
[’-o’;’-s’];
color_XPR
=
[’:o’;’:s’];
scene
=
1;
[sigma_ASD,sigma_ZSD,sigma_DS,sigma_SF,sigma_ASA,sigma_ZSA,N_cluster,N_ray,...
c_ASD,m_ZSD,Dsp,Pcs,m_ZSD_offset,c_ZSA,c_ASA,m_xpr,s_xpr]
=
generate_para(scene,d2D);
E_XPR
=
exp(s_xpr^2.*(log(10).^2)/200-m_xpr.*log(10)/10);
H
=
channel_3DMIMO_ULA(scene,d2D,U,S);
H_MIMO
=
mean(H,3);
H_XPR
=
channel_3DMIMO(scene,d2D,U,S);
H_MIMO_XPR
=
mean(H_XPR,3);
for
SNR = 1:20
SNR_linear
=
10.^(0.1*SNR/(1+E_XPR));
SNR_linear_ULA
=
10.^(0.1*SNR);
C(scene,SNR)
=
log2(det(I+(SNR_linear_ULA/S)*(H_MIMO*H_MIMO.’)));
C(scene,SNR)
=
real(C(scene,SNR));
C_XPR(scene,SNR)
=
log2(det(I+(SNR_linear/S)*(H_MIMO_XPR*H_MIMO_XPR.’)));
C_XPR(scene,SNR)
=
real(C_XPR(scene,SNR));
end
plot(snr,C(1,
:
),’-o’,’LineWidth’,2);
hold
on;
plot(snr,C_XPR(1,
:
),’-^’,’LineWidth’,2);
hold
on;
C
=
zeros(2,length(snr));
C_XPR
=
zeros(2,length(snr));
scene
=
2;
[sigma_ASD,sigma_ZSD,sigma_DS,sigma_SF,sigma_ASA,sigma_ZSA,N_cluster,N_ray,...
c_ASD,m_ZSD,Dsp,Pcs,m_ZSD_offset,c_ZSA,c_ASA,m_xpr,s_xpr]
=
generate_para(scene,d2D);
E_XPR
=
exp(s_xpr^2.*(log(10).^2)/200-m_xpr.*log(10)/10);
H
=
channel_3DMIMO_ULA(scene,d2D,U,S);
H_MIMO
=
mean(H,3);
H_XPR
=
channel_3DMIMO(scene,d2D,U,S);
H_MIMO_XPR
=
mean(H_XPR,3);
for
SNR = 1:20
SNR_linear
=
10.^(0.1*SNR/(1+E_XPR));
SNR_linear_ULA
=
10.^(0.1*SNR);
C(scene,SNR)
=
log2(det(I+(SNR_linear_ULA/S)*(H_MIMO*H_MIMO.’)));
C(scene,SNR)
=
real(C(scene,SNR));
C_XPR(scene,SNR)
=
log2(det(I+(SNR_linear/S)*(H_MIMO_XPR*H_MIMO_XPR.’)));
C_XPR(scene,SNR)
=
real(C_XPR(scene,SNR));
end
plot(snr,C_XPR(scene,
:
),’:o’,’LineWidth’,2);
hold
on;
plot(snr,C(scene,
:
),’:^’,’LineWidth’,2);
hold
on;
xlabel(’SNR/(dB)’);
ylabel(’信道容量/(b/s/Hz)’);
legend(’UMi-ULA’,’UMi-XPR’,’UMa-ULA’,’UMa-XPR’);
grid
on;
3 仿真结果
4 参考文献
[1]邹劲柏, 谢浩, 艾渤,等. 高速移动环境大规模MIMO信道建模与性能分析[J]. 铁道学报, 2018, 40(4):6.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。