МЕТОД РЕГУЛЯРИЗАЦИИ ЛИНЕЙНОГО ЭКВАЛАЙЗЕРА И ЕГО УСТОЙЧИВОСТЬ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Представлено расширенное описание нового метода регуляризации, основанного на оптимизации, направленной на инверсию выборочной ковариационной матрицы, не требующего сложных вычислений. Метод предназначен для линейных приемников в многопользовательских системах связи с большим числом антенн и работает в условиях ограниченного числа выборок. Исследование показывает, что рассмотренные вероятностные распределения шума не влияют на оптимальное значение фактора регуляризации. Результаты имитационного моделирования подтверждают, что метод превосходит традиционные подходы и обеспечивает лучшую обусловленность выборочной ковариационной матрицы, снижая вычислительную сложность расчета матрицы весов линейного эквалайзера в восходящем канале системы связи.

Об авторах

Ч. Чжан

Московский физико-технический институт (национальный исследовательский университет)

Email: zhibin@phystech.edu

Р. Н Потехин

Московский физико-технический институт (национальный исследовательский университет)

Email: potekhin.rn@phystech.edu

В. А Ляшев

Московский физико-технический институт (национальный исследовательский университет)

Email: lyashev.va@mipt.ru

Список литературы

  1. Шахнович И. Системы беспроводной связи 5G: телекоммуникационная парадигма, которая изменит мир // Электроника НТБ. 2015. № 7 (147). С. 48–55. https://www.electronics.ru/journal/article/4826
  2. Winters J.H. Optimum Combining in Digital Mobile Radio with Cochannel Interference // IEEE Trans. Veh. Technol. 1984. V. 33. № 3. P. 144–155. https://doi.org/10.1109/T-VT.1984.24001
  3. Ledoit O., Wolf M. Honey, I Shrunk the Sample Covariance Matrix // J. Portf. Manag. 2004. V. 30. № 4. P. 110–119. http://doi.org/10.3905/jpm.2004.110
  4. Zhang M., Rubio F., Palomar D.P., Mestre X. Finite-Sample Linear Filter Optimization in Wireless Communications and Financial Systems // IEEE Trans. Signal Process. 2013. V. 61. № 20. P. 5014–5025. https://doi.org/10.1109/TSP.2013.2277835
  5. Mestre X., Lagunas M.A. Finite Sample Size Effect on Minimum Variance Beamformers: Optimum Diagonal Loading Factor for Large Arrays // IEEE Trans. Signal Process. 2006. V. 54. № 1. P. 69–82. https://doi.org/10.1109/TSP.2005.861052
  6. Ledoit O., Wolf M. A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices // J. Multivariate Anal. 2004. V. 88. № 2. P. 365–411. https://doi.org/10.1016/S0047-259X(03)00096-4
  7. Stoica P., Li J., Zhu X., Guerci J.R. On Using a priori Knowledge in Space-Time Adaptive Processing // IEEE Trans. Signal Process. 2008. V. 56. № 6. P. 2598–2602. https://doi.org/10.1109/TSP.2007.914347
  8. Chen Y., Wiesel A., Eldar Y.C., Hero A.O. Shrinkage Algorithms for MMSE Covariance Estimation // IEEE Trans. Signal Process. 2010. V. 58. № 10. P. 5016–5029. https://doi.org/10.1109/TSP.2010.2053029
  9. Anderson T.W. An Introduction to Multivariate Statistical Analysis. New York: Wiley, 1958. V. 2.
  10. Чжан Ч., Ляшев В.А. Метод регуляризации в задачах оптимизации линейного эквалайзера // XIV Всероссийское совещание по проблемам управления (ВСПУ-2024). Москва, ИПУ РАН. 17–20 июня 2024 г. https://vspu2024.ipu.ru/proceedings/648.pdf
  11. Zhang Z., Potekhin R.N., Lyashev V.A. Regularized Linear MU-MIMO Equalizer and Its Robustness // Probl. Inf. Transm. 2025. V. 61. № 2 (to appear).
  12. Haykin S.S. Adaptive Filter Theory. Upper Saddle River, NJ: Prentice-Hall, 1996.
  13. Ортега Дж., Рейнболдт В. Итерационные методы решения нелинейных систем уравнений со многими неизвестными. М.: Мир, 1975.
  14. Householder A.S. The Theory of Matrices in Numerical Analysis. Mineola, NY: Dover, 2006.
  15. Ivanov A., Osinsky A., Lakontsev D., Yarotsky D. High Performance Interference Suppression in Multi-User Massive MIMO Detector // Proc. 2020 IEEE 91st Vehicular Technology Conference (VTC2020-Spring). Antwerp, Belgium. May 25–28, 2020. P. 1–5. https://doi.org/10.1109/VTC2020-Spring48590.2020.9128653
  16. Kay S.M. Fundamentals of Statistical Signal Processing. V. 1: Estimation Theory. Englewood Cliffs, NJ: Prentice-Hall, 1993.
  17. Benaych-Georges F., Nadakuditi R.R. The Singular Values and Vectors of Low Rank Perturbations of Large Rectangular Random Matrices // J. Multivariate Anal. 2012. V. 111. P. 120–135. https://doi.org/10.1016/j.jmva.2012.04.019
  18. Bai Z.D., Silverstein J.W., Yin Y.Q. A Note on the Largest Eigenvalue of a Large Dimensional Sample Covariance Matrix // J. Multivariate Anal. 1988. V. 26. № 2. P. 166–168. https://doi.org/10.1016/0047-259X(88)90078-4
  19. Eldar Y.C., Chernoi J.S. A Pre-test Like Estimator Dominating the Least-Squares Method // J. Statist. Plann. Inference. 2008. V. 138. № 10. P. 3069–3085. https://doi.org/10.1016/j.jspi.2007.12.002
  20. Jaeckel S., Raschkowski L., B¨orner K., Thiele L. QuaDRiGa: A 3-D Multi-Cell Channel Model with Time Evolution for Enabling Virtual Field Trials // IEEE Trans. Antennas Propag. 2014. V. 62. № 6. P. 3242–3256. https://doi.org/10.1109/TAP.2014.2310220

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025