Hispanopedia Wiki
Articulo de referencia

Información sobre el estado del canal

En las comunicaciones inalámbricas , la información del estado del canal ( CSI ) se refiere a las propiedades conocidas del canal en un enlace de comunicación. Esta información ...

Hispanopedia WikiContenido en espanolLectura gratuita

En las comunicaciones inalámbricas , la información del estado del canal ( CSI ) se refiere a las propiedades conocidas del canal en un enlace de comunicación. Esta información describe cómo se propaga una señal desde el transmisor hasta el receptor y representa el efecto combinado de, por ejemplo, la dispersión , el desvanecimiento y la atenuación de la potencia con la distancia. Este método se denomina estimación del canal . La CSI permite adaptar las transmisiones a las condiciones actuales del canal, lo cual es fundamental para lograr una comunicación fiable con altas tasas de datos en sistemas multiantena .

La información del estado del canal (CSI) debe estimarse en el receptor y, por lo general, cuantificarse y retroalimentarse al transmisor (aunque la estimación del enlace inverso es posible en sistemas de dúplex por división de tiempo (TDD)). Por lo tanto, el transmisor y el receptor pueden tener información del estado del canal diferente. La información del estado del canal en el transmisor y la información del estado del canal en el receptor se denominan a veces CSIT y CSIR, respectivamente.

Diferentes tipos de información sobre el estado del canal

Básicamente existen dos niveles de CSI (Información Crítica de la Escena): el CSI instantáneo y el CSI estadístico.

La información instantánea del estado del canal (o información a corto plazo del estado del canal) implica que se conocen las condiciones actuales del canal, lo que equivale a conocer la respuesta impulsional de un filtro digital . Esto permite adaptar la señal transmitida a la respuesta impulsional y, por lo tanto, optimizar la señal recibida para la multiplexación espacial o para lograr bajas tasas de error de bits .

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

La adquisición de información del estado del canal (CSI) está limitada prácticamente por la rapidez con la que cambian las condiciones del canal. En sistemas con desvanecimiento rápido, donde las condiciones del canal varían rápidamente durante la transmisión de un solo símbolo de información, solo la CSI estadística resulta útil. Por otro lado, en sistemas con desvanecimiento lento, la CSI instantánea puede estimarse con una precisión razonable y utilizarse para la adaptación de la transmisión durante un tiempo antes de quedar obsoleta.

En los sistemas prácticos, la información del estado del canal (CSI) disponible suele estar entre estos dos niveles; la CSI instantánea, con cierto error de estimación/cuantificación, se combina con información estadística.

Descripción matemática

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

y=Hincógnita+norte{\displaystyle \mathbf {y} =\mathbf {H} \mathbf {x} +\mathbf {n} }

dóndey{\displaystyle \mathbf {y} }yincógnita{\displaystyle \mathbf {x} }son los vectores de recepción y transmisión, respectivamente, yH{\displaystyle \mathbf {H} }ynorte{\displaystyle \mathbf {n} }son la matriz de canal y el vector de ruido, respectivamente. El ruido a menudo se modela como una normal compleja simétrica circular con

norte∼donorte(0,S){\displaystyle \mathbf {n} \sim {\mathcal {CN}}(\mathbf {0} ,\,\mathbf {S} )}

donde el valor medio es cero y la matriz de covarianza del ruidoS{\displaystyle \mathbf {S} }es conocido.

CSI instantáneo

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

vector(Hestimar)∼donorte(vector(H),Rerror){\displaystyle {\mbox{vec}}(\mathbf {H} _{\textrm {estimate}})\sim {\mathcal {CN}}({\mbox{vec}}(\mathbf {H} ),\,\mathbf {R} _{\textrm {error}})}

dóndeHestimar{\displaystyle \mathbf {H} _{\textrm {estimate}}}es la estimación del canal yRerror{\displaystyle \mathbf {R} _{\textrm {error}}}es la matriz de covarianza del error de estimación. La vectorizaciónvector(){\displaystyle {\mbox{vec}}()}se utilizó para lograr el apilamiento de columnas deH{\displaystyle \mathbf {H} }, ya que las variables aleatorias multivariadas se definen habitualmente como vectores.

CSI estadístico

En este caso, las estadísticas deH{\displaystyle \mathbf {H} }son conocidos. En un canal de desvanecimiento Rayleigh , esto corresponde a saber que [ 3 ]

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

para alguna matriz de covarianza de canal conocidaR{\displaystyle \mathbf {R} }.

Estimación del CSI

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

Sea la secuencia de entrenamiento denotadapag1,…,pagnorte{\displaystyle \mathbf {p} _{1},\ldots ,\mathbf {p} _{N}}, donde el vectorpagi{\displaystyle \mathbf {p} _{i}}se transmite a través del canal como

yi=Hpagi+nortei.{\displaystyle \mathbf {y} _{i}=\mathbf {H} \mathbf {p} _{i}+\mathbf {n} _{i}.}

Al combinar las señales de entrenamiento recibidasyi{\displaystyle \mathbf {y} _ {i}}parai=1,…,norte{\displaystyle i=1,\ldots ,N}, la señalización de entrenamiento total se convierte en

Y=[y1,…,ynorte]=HPAG+norte{\displaystyle \mathbf {Y} =[\mathbf {y} _{1},\ldots ,\mathbf {y} _{N}]=\mathbf {H} \mathbf {P} +\mathbf {N} }

con la matriz de entrenamientoPAG=[pag1,…,pagnorte]{\displaystyle \mathbf {P} =[\mathbf {p} _{1},\ldots ,\mathbf {p} _{N}]}y la matriz de ruidonorte=[norte1,…,nortenorte]{\displaystyle \mathbf {N} =[\mathbf {n} _{1},\ldots ,\mathbf {n} _{N}]}.

Con esta notación, la estimación del canal significa queH{\displaystyle \mathbf {H} }debe recuperarse del conocimiento deY{\displaystyle \mathbf {Y} }yPAG{\displaystyle \mathbf {P} }.

Estimación por mínimos cuadrados

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

HEstimación de mínimos cuadrados=YPAGH(PAGPAGH)−1{\displaystyle \mathbf {H} _{\textrm {estimación LS}}=\mathbf {Y} \mathbf {P} ^{H}(\mathbf {P} \mathbf {P} ^{H})^{-1}}

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

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

dóndetr{\displaystyle \mathrm {tr} }denota la traza . El error se minimiza cuandoPAGPAGH{\displaystyle \mathbf {P} \mathbf {P} ^{H}}es una matriz identidad escalada . Esto solo se puede lograr cuandonorte{\displaystyle N}es igual a (o mayor que) el número de antenas transmisoras. El ejemplo más simple de una matriz de entrenamiento óptima es seleccionarPAG{\displaystyle \mathbf {P} }como una matriz identidad (escalada) del mismo tamaño que el número de antenas transmisoras.

Estimación MMSE

Si se conocen las distribuciones del canal y del ruido, entonces esta información a priori puede ser explotada para disminuir el error de estimación. Este enfoque se conoce como estimación bayesiana y para canales de desvanecimiento Rayleigh explota que

vector(H)∼donorte(0,R),vector(norte)∼donorte(0,S).{\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 ].

vector(HEstimación MMSE)=(R−1+(PAGT⊗I)HS−1(PAGT⊗I))−1(PAGT⊗I)HS−1vector(Y){\displaystyle {\mbox{vec}}(\mathbf {H} _ {\textrm {estimación MMSE}})=\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} )}

dónde⊗{\displaystyle \otimes }denota el producto de Kronecker y la matriz identidadI{\displaystyle \scriptstyle \mathbf {I} }tiene la dimensión del número de antenas receptoras. La estimación MSE es

tr(R−1+(PAGT⊗I)HS−1(PAGT⊗I))−1{\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 entrenamientoPAG{\displaystyle \mathbf {P} }que en general solo se puede obtener mediante optimización numérica. Pero existen soluciones heurísticas con buen rendimiento basadas en el llenado de agua . A diferencia de la estimación de mínimos cuadrados, el error de estimación para canales espacialmente correlacionados se puede minimizar incluso sinorte{\displaystyle N}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, requiere adicionalmente el conocimiento de la matriz de correlación del canal.R{\displaystyle \mathbf {R} }matriz de correlación de ruido y ruidoS{\displaystyle \mathbf {S} }. En ausencia de un conocimiento preciso de estas matrices de correlación, es necesario tomar decisiones robustas para evitar la degradación del MSE. [ 5 ] [ 6 ]

Estimación de redes neuronales

Gracias a los avances en el aprendizaje profundo, se han realizado trabajos [ 7 ] que demuestran que la información del estado del canal puede estimarse mediante redes neuronales, como las CNN 2D/3D, y obtener un mejor rendimiento con menos señales piloto. La idea principal es que la red neuronal puede realizar una buena interpolación en el tiempo y la frecuencia.

Estimación asistida por datos frente a estimación ciega

En un enfoque asistido por datos, la estimación del canal se basa en 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 disyuntiva radica en la precisión frente a la sobrecarga. Un enfoque asistido por datos requiere mayor ancho de banda o tiene una sobrecarga mayor que un enfoque ciego, pero puede lograr una mayor precisión en la estimación del canal que un estimador ciego.

Véase también

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, pp. 2491-2509, 2005.
  2. 1 2 3 E. Björnson, B. Ottersten, Un marco para la estimación basada en entrenamiento en canales MIMO de Rice arbitrariamente correlacionados con perturbación de Rice , IEEE Transactions on Signal Processing, vol. 58, págs. 1807-1820, 2010.
  3. ↑ J. Kermoal, L. Schumacher, KI Pedersen, P. Mogensen, F. Frederiksen, Un modelo estocástico de canal de radio MIMO con validación experimental Archivado el 29-12-2009 en Wayback Machine , IEEE Journal on Selected Areas Communications, vol. 20, págs. 1211-1226, 2002.
  4. ↑ M. Biguesh y A. Gershman, Estimación de canal MIMO basada en entrenamiento: un estudio de compensaciones de estimadores y señales de entrenamiento óptimas Archivado el 6 de marzo de 2009 en Wayback Machine , IEEE Transactions on Signal Processing, vol. 54, pp. 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». 2020 IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS) . pp. 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 pilotos para la estimación de derivaciones de canal complejas en sistemas WCDMA de enlace descendente", en Actas de la 11.ª Conferencia IEEE sobre Comunicaciones de Radio Móviles Personales e Interiores (PIMRC), vol. 2, septiembre de 2000, págs. 1121-1125.
  • Herramienta CSI de Atheros
  • Herramienta CSI 802.11n para Linux