Información del estado del canal

Propiedades de canal conocidas de un enlace de comunicación

En las comunicaciones inalámbricas , la información del estado del canal ( CSI ) son las propiedades conocidas del canal de un enlace de comunicación. Esta información describe cómo se propaga una señal desde el transmisor al receptor y representa el efecto combinado de, por ejemplo, dispersión , desvanecimiento y caída de potencia con la distancia. El método se llama estimación de canal . El CSI permite adaptar las transmisiones a las condiciones actuales del canal, lo cual es crucial para lograr una comunicación confiable con altas velocidades de datos en sistemas multiantena .

La CSI debe estimarse en el receptor y normalmente cuantificarse y realimentarse al transmisor (aunque la estimación de enlace inverso es posible en sistemas dúplex por división de tiempo (TDD)). Por lo tanto, el transmisor y el receptor pueden tener diferentes CSI. El CSI en el transmisor y el CSI en el receptor a veces se denominan CSIT y CSIR, respectivamente.

Diferentes tipos de información del estado del canal.

Básicamente, existen dos niveles de CSI, a saber, CSI instantáneo y CSI estadístico.

CSI instantáneo (o CSI a corto plazo) significa que se conocen las condiciones actuales del canal, lo que puede verse como conocer la respuesta al impulso de un filtro digital . Esto brinda la oportunidad de adaptar la señal transmitida a la respuesta al impulso y así optimizar la señal recibida para la multiplexación espacial o para lograr bajas tasas de error de bits .

CSI estadístico (o CSI a largo plazo) significa que se conoce una caracterización estadística del canal. Esta descripción puede incluir, por ejemplo, el tipo de distribución del desvanecimiento , la ganancia promedio del canal, el componente de la línea de visión y la correlación espacial . Al igual que con la CSI instantánea, esta información se puede utilizar para optimizar la transmisión.

La adquisición de CSI está prácticamente limitada por la rapidez con la que cambian las condiciones del canal. En sistemas de desvanecimiento rápido donde las condiciones del canal varían rápidamente bajo la transmisión de un solo símbolo de información, sólo el CSI estadístico es razonable. Por otra parte, en sistemas de desvanecimiento lento, la CSI instantánea puede estimarse con una precisión razonable y utilizarse para la adaptación de la transmisión durante algún tiempo antes de quedar obsoleta.

En los sistemas prácticos, el CSI disponible suele estar entre estos dos niveles; El CSI instantáneo con algún error de estimación/cuantización se combina con información estadística.

Descripción matemática

En un canal de banda estrecha con desvanecimiento plano con múltiples antenas de transmisión y recepción ( MIMO ), el sistema se modela como ^[1]

${\displaystyle \mathbf {y} =\mathbf {H} \mathbf {x} +\mathbf {n} }$

donde y son los vectores de recepción y transmisión, respectivamente, y y son la matriz del canal y el vector de ruido, respectivamente. El ruido a menudo se modela como normal compleja circular simétrica con ${\displaystyle \scriptstyle \mathbf {y} }$ ${\displaystyle \scriptstyle \mathbf {x} }$ ${\displaystyle \scriptstyle \mathbf {H} }$ ${\displaystyle \scriptstyle \mathbf {n} }$

${\displaystyle \mathbf {n} \sim {\mathcal {CN}}(\mathbf {0} ,\,\mathbf {S} )}$

donde el valor medio es cero y se conoce la matriz de covarianza del ruido. ${\displaystyle \scriptstyle \mathbf {S} }$

CSI instantáneo

Idealmente, la matriz del canal se conoce perfectamente. Debido a errores de estimación del canal, la información del canal se puede representar como ^[2] ${\displaystyle \scriptstyle \mathbf {H} }$

${\displaystyle {\mbox{vec}}(\mathbf {H} _{\textrm {estimate}})\sim {\mathcal {CN}}({\mbox{vec}}(\mathbf {H} ),\,\mathbf {R} _{\textrm {error}})}$

donde es la estimación del canal y es la matriz de covarianza del error de estimación. La vectorización se utilizó para lograr el apilamiento de columnas , ya que las variables aleatorias multivariadas generalmente se definen como vectores. ${\displaystyle \scriptstyle \mathbf {H} _{\textrm {estimate}}}$ ${\displaystyle \scriptstyle \mathbf {R} _{\textrm {error}}}$ ${\displaystyle {\mbox{vec}}()}$ ${\displaystyle \scriptstyle \mathbf {H} }$

ICS estadístico

En este caso, se conocen las estadísticas de. En un canal con desvanecimiento de Rayleigh , esto corresponde a saber que ^[3] ${\displaystyle \scriptstyle \mathbf {H} }$

${\displaystyle {\mbox{vec}}(\mathbf {H} )\sim {\mathcal {CN}}(\mathbf {0} ,\,\mathbf {R} )}$

para alguna matriz de covarianza de canal conocida . ${\displaystyle \scriptstyle \mathbf {R} }$

Estimación del CSI

Dado que las condiciones del canal varían, es necesario estimar la CSI instantánea a corto plazo. Un enfoque popular es la llamada secuencia de entrenamiento (o secuencia piloto), donde se transmite una señal conocida y se estima la matriz de canales utilizando el conocimiento combinado de la señal transmitida y recibida. ${\displaystyle \mathbf {H} }$

Denotemos la secuencia de entrenamiento , donde el vector se transmite a través del canal como ${\displaystyle \mathbf {p} _{1},\ldots ,\mathbf {p} _{N}}$ ${\displaystyle \mathbf {p} _{i}}$

${\displaystyle \mathbf {y} _{i}=\mathbf {H} \mathbf {p} _{i}+\mathbf {n} _{i}.}$

Al combinar las señales de entrenamiento recibidas para , la señalización de entrenamiento total se convierte en ${\displaystyle \mathbf {y} _{i}}$ ${\displaystyle i=1,\ldots ,N}$

${\displaystyle \mathbf {Y} =[\mathbf {y} _{1},\ldots ,\mathbf {y} _{N}]=\mathbf {H} \mathbf {P} +\mathbf {N} }$

con la matriz de entrenamiento y la matriz de ruido . ${\displaystyle \mathbf {P} =[\mathbf {p} _{1},\ldots ,\mathbf {p} _{N}]}$ ${\displaystyle \mathbf {N} =[\mathbf {n} _{1},\ldots ,\mathbf {n} _{N}]}$

Con esta notación, la estimación del canal significa que debe recuperarse del conocimiento de y . ${\displaystyle \mathbf {H} }$ ${\displaystyle \mathbf {Y} }$ ${\displaystyle \mathbf {P} }$

Estimación de mínimos cuadrados

Si se desconocen las distribuciones de canal y ruido, entonces el estimador de mínimos cuadrados (también conocido como estimador insesgado de varianza mínima ) es ^[4]

${\displaystyle \mathbf {H} _{\textrm {LS-estimate}}=\mathbf {Y} \mathbf {P} ^{H}(\mathbf {P} \mathbf {P} ^{H})^{-1}}$

donde denota la transpuesta conjugada . El error cuadrático medio (MSE) de estimación es proporcional a ${\displaystyle ()^{H}}$

${\displaystyle \mathrm {tr} (\mathbf {P} \mathbf {P} ^{H})^{-1}}$

donde denota la traza . El error se minimiza cuando se trata de una matriz identidad escalada . Esto sólo se puede lograr cuando es igual (o mayor que) el número de antenas transmisoras. El ejemplo más simple de una matriz de entrenamiento óptima es seleccionar una matriz de identidad (escalada) del mismo tamaño que el número de antenas transmisoras. ${\displaystyle \mathrm {tr} }$ ${\displaystyle \mathbf {P} \mathbf {P} ^{H}}$ ${\displaystyle N}$ ${\displaystyle \mathbf {P} }$

Estimación del MMSE

Si se conocen las distribuciones de canal y ruido, entonces esta información a priori puede aprovecharse para disminuir el error de estimación. Este enfoque se conoce como estimación bayesiana y para los canales con desvanecimiento de Rayleigh aprovecha ese

${\displaystyle {\mbox{vec}}(\mathbf {H} )\sim {\mathcal {CN}}(0,\,\mathbf {R} ),\quad {\mbox{vec}}(\mathbf {N} )\sim {\mathcal {CN}}(0,\,\mathbf {S} ).}$

El estimador MMSE es la contraparte bayesiana del estimador de mínimos cuadrados y se convierte en ^[2]

${\displaystyle {\mbox{vec}}(\mathbf {H} _{\textrm {MMSE-estimate}})=\left(\mathbf {R} ^{-1}+(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )^{H}\mathbf {S} ^{-1}(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )\right)^{-1}(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )^{H}\mathbf {S} ^{-1}{\mbox{vec}}(\mathbf {Y} )}$

donde denota el producto de Kronecker y la matriz identidad tiene la dimensión del número de antenas receptoras. El MSE estimado es ${\displaystyle \otimes }$ ${\displaystyle \scriptstyle \mathbf {I} }$

${\displaystyle \mathrm {tr} \left(\mathbf {R} ^{-1}+(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )^{H}\mathbf {S} ^{-1}(\mathbf {P} ^{T}\,\otimes \,\mathbf {I} )\right)^{-1}}$

y se minimiza mediante una matriz de entrenamiento que, en general, solo puede derivarse mediante optimización numérica. Pero existen soluciones heurísticas con buen rendimiento basadas en el llenado de agua . A diferencia de la estimación por mínimos cuadrados, el error de estimación para canales espacialmente correlacionados se puede minimizar incluso si es menor que el número de antenas transmisoras. ^[2] Por lo tanto, la estimación MMSE puede disminuir el error de estimación y acortar la secuencia de entrenamiento requerida. Sin embargo, también es necesario conocer la matriz de correlación de canales y la matriz de correlación de ruido . En ausencia de un conocimiento preciso de estas matrices de correlación, es necesario tomar decisiones sólidas para evitar la degradación de las MPE. ^{[5] [6]} ${\displaystyle \mathbf {P} }$ ${\displaystyle N}$ ${\displaystyle \mathbf {R} }$ ${\displaystyle \mathbf {S} }$

Estimación de la red neuronal

Con los avances del aprendizaje profundo , ha habido trabajos ^[7] que muestran que la información del estado del canal se puede estimar utilizando redes neuronales como CNN 2D/3D y obtener un mejor rendimiento con menos señales piloto. La idea principal es que la red neuronal puede hacer una buena interpolación en tiempo y frecuencia.

Estimación asistida por datos versus estimación ciega

En un enfoque asistido por datos, la estimación del canal se basa en algunos datos conocidos, tanto en el transmisor como en el receptor , como secuencias de entrenamiento o datos piloto. ^[8] En un enfoque ciego, la estimación se basa únicamente en los datos recibidos, sin ninguna secuencia transmitida conocida. La compensación es la precisión frente a los gastos generales. Un enfoque asistido por datos requiere más ancho de banda o tiene una sobrecarga mayor que un enfoque ciego, pero puede lograr una mejor precisión en la estimación del canal que un estimador ciego.

Ver también

• sonido del canal

Referencias

1. A. Tulino, A. Lozano, S. Verdú, Impacto de la correlación de antenas en la capacidad de canales multiantena, IEEE Transactions on Information Theory, vol 51, págs. 2491-2509, 2005.
2. E. Björnson, B. Ottersten, Un marco para la estimación basada en la capacitación en canales MIMO de Rician correlacionados arbitrariamente con perturbaciones de Rician, IEEE Transactions on Signal Processing, vol 58, págs. 1807-1820, 2010.
3. J. Kermoal, L. Schumacher, KI Pedersen, P. Mogensen, F. Frederiksen, Un modelo de canal de radio MIMO estocástico con validación experimental Archivado el 29 de diciembre de 2009 en Wayback Machine , IEEE Journal on Selected Areas Communications, vol 20, págs. 1211-1226, 2002.
4. M. Biguesh y A. Gershman, Estimación del canal MIMO basada en entrenamiento: un estudio de las compensaciones del estimador y las señales de entrenamiento óptimas Archivado el 6 de marzo de 2009 en Wayback Machine , IEEE Transactions on Signal Processing, vol 54, págs. 884-893 , 2006.
5. Y. Li, LJ Cimini y NR Sollenberger, Estimación robusta de canales para sistemas OFDM con canales de desvanecimiento dispersivo rápido, IEEE Transactions on Communications, vol 46, págs. 902-915, julio de 1998.
6. MD Nisar, W. Utschick y T. Hindelang, Estimación de canal 2-D máximamente robusta para sistemas OFDM, IEEE Transactions on Signal Processing, vol 58, págs. 3163-3172, junio de 2010.
7. Marinberg, Ben; Cohen, Ariel; Ben-Dror, Eilam; Permuter, Haim H. (14 de diciembre de 2020). "Un estudio sobre la estimación de canales MIMO mediante redes neuronales convolucionales 2D y 3D". Conferencia internacional IEEE 2020 sobre redes avanzadas y sistemas de telecomunicaciones (ANTS) . págs. 1–6. arXiv : 2011.08970 . doi : 10.1109/ANTS50601.2020.9342797. ISBN 978-1-7281-9290-1. S2CID  226994048.
8. A. Zhuang, ES Lohan y M. Renfors, "Comparación de algoritmos dirigidos por decisiones y asistidos por piloto para la estimación de derivaciones de canales complejos en sistemas WCDMA de enlace descendente", en Proc. del 11º IEEE Comunicaciones por radio móviles interiores y personales (PIMRC), vol. 2, septiembre de 2000, pág. 1121-1125.

enlaces externos

• Herramienta Atheros CSI
• Herramienta CSI de Linux 802.11n