【雷达通信】大规模MIMO三维信道【含Matlab源码 2105期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、大规模MIMO三维信道（附论文）

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。

1 绪论
1.1 MIMO技术研究背景和目的
随着无线通信研究的不断推进，对系统信道容量以及传输可靠性的要求也越来越高，加之能利用的频谱资源有限，SISO（Single Input Single Output）系统已无法满足人们对信道性能的要求，MIMO技术应运而生，并迅速成为无线通信研究者的主要关注方向之一。MIMO技术最早出现在3G时代，是4G系统中所运用的主要技术之一，目前正在进行的5G系统研究也在MIMO技术方面进行更为深入的探索，如：大规模MIMO（Massive MIMO）技术，三维MIMO（Three Dimension MIMO）技术。
MIMO技术通过在通信链路的收发两端布置多个天线，而这多个天线的信号能在相同的时频资源上得以传输。其所提供的复用增益、分集增益和阵列增益能使系统的频谱效率、可靠性和功率效率得以优化[12]。而对于MIMO系统具体性能的研究离不开无线信道建模，其通过模拟实际信道，得到各种参数设置下的信道性能，进而能对系统进行更深层次的优化。因此，本文的主要内容是不同类型的MIMO信道建模算法研究及仿真实现。

1.2 MIMO研究现状
1.2.1 传统MIMO信道建模发展
随着信道测量工作的进行，相关研究组织逐渐用测得的信道参数构建出可用来进行仿真的信道模型。3GPP（3rd Generation Partnership Project）组织最先提出SCM（Spatial Channel Model）模型，随后，WINNER（Wireless world INitiative NEw Radio）组织在SCM模型的基础上进行了一些扩展，形成SCME（Spatial Channel Model Extension）模型。之后，WINNER组织又提出了相应的WINNER模型，其中WINNER Ⅱ模型在信道仿真时得到广泛采用。上述所推出的MIMO信道模型都是基于几何建立的，为了降低信道建模的复杂度，一些通信企业包括Nokia联合高校共同提出了基于相关的I-METRA（Intelligent Multi-element Transmit and Receive Antennas）信道模型。

1.2.2 大规模MIMO研究进展
自2010年底贝尔实验室提出大规模MIMO概念以来，众多学者和研究机构都在进行大规模MIMO信道建模和测量的工作。2012年，Tufvesson在天线布置模式为均匀线性阵列（ULA,Uniform Linear Array）的情况下，测量研究了2.6GHz的大规模MIMO信道，其实验结果表明不是全部的阵列天线都能够接收到反射簇辐射出去的电磁波，进一步证实了近场效应。给出了实际信道环境下的大规模MIMO相关参数测量结果，可明显观察到大规模MIMO信道在天线阵列上的大尺度衰落特性。大规模MIMO系统由于基站端的天线数目较大，运用传统的线性阵列会突破体积的限制，因而更多的是采用共址极化天线，使空间得到复用。

1.2.3 三维MIMO研究进展
传统的MIMO信道都是基于二维平面研究的，在离开角、到达角方面只考虑了水平方位角，并没有考虑仰角的影响，但由于实际信道所具有的多样性和复杂性，我们必须要全面考虑影响MIMO信道特征的因素。因此，需要建立三维的MIMO信道模型来反映更加真实的信道特征。国内外许多学者和研究机构都对三维MIMO信道进行了实际测量分析，WINNER组织通过测量得到了各种信道参数在不同场景下的分布情况；Ikegami通过测量城市环境下无线电波到达角的功率分布，发现该环境下的俯仰角度扩展值处于0～50°之间[23]；Janaswamy考虑了MIMO建模俯仰角的特征，提出了一个三维的MIMO信道模型，给出了上行链路的方位角和俯仰角两个维度的达波角的概率密度函数表达式；2014年，3GPP给出三维MIMO信道的参数测量值，并给出了全局坐标系下的快衰信道模型；2015年末，3GPP组织提出了基于相关的三维Kronecker信道模型并给出了收发端的相关矩阵封闭表达式。

1.3 本文的主要内容安排
本文主要研究了基于随机的二维SCM信道模型和三维WINNER Ⅱ模型以及基于相关的二维Kronecker信道模型和三维Kronecker信道模型，并采用MATLAB对每一种模型算法都进行了仿真分析，文章的最后给出了MIMO技术的发展展望。
以下给出本文的结构：
第一章：绪论。主要概述了MIMO的研究背景及其发展、大规模MIMO和三维MIMO的研究进展，最后给出了论文的结构安排。
第二章：MIMO系统的信道建模。主要介绍了常见的用于仿真的MIMO信道模型分类以及基于几何的二维SCM信道模型、三维WINNER Ⅱ模型，基于相关的二维Kronecker信道模型和三维Kronecker信道模型的基本原理。
第三章： 基于几何的随机模型仿真。主要给出了二维SCM信道模型和三维WINNER Ⅱ模型的MATLAB仿真步骤和仿真结果分析。
第四章：基于相关的随机模型仿真。主要给出了二维Kronecker信道模型和三维Kronecker信道模型的MATLAB仿真步骤和仿真结果分析。
第五章：总结。主要总结了本文的信道模型仿真结果，并对后续的MIMO信道测量和建模的研究进行了展望。

⛄二、部分源代码

function H = channel_3DMIMO_ULA(scene,d2D,U,S)

clusterE = pi/2+(2rand-1)45/180pi; % phi_zod
clusterD = pi/2+(2rand-1)60/180pi; % phi_aod
[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);

[pha_aod_n_m,pha_zod_n_m,pha_aoa_n_m,pha_zoa_n_m,p]=angles(clusterE,clusterD,sigma_ASD,…
sigma_ZSD,sigma_ASA,sigma_ZSA,sigma_DS,N_cluster,N_ray,c_ASD,c_ASA,c_ZSA,m_ZSD,Dsp,Pcs,m_ZSD_offset);

% 产生信道系数
wavelength = 3e8/CarrierFrequency;
ds = 0.5wavelength;
du = 0.5wavelength;
k_CONST = 2pi/wavelength; % 波矢
v = 10; % m/s
alpha = 0;
theta_v = pirand;
phi_n_m = pi*rand(N_ray,N_cluster);

% 初始化信道矩阵
H = zeros(U,S,length(t));
h_m(t) = zeros(size(t));
h_n(t) = zeros(size(t));
h(t) = zeros(size(t));
for u=1:U
for s=1:S
for n=1:N_cluster
for m=1:N_ray
h_m(t) = sqrt(p(n)/N_ray)[cos(alpha)sin(pha_zoa_n_m(m,n))+sin(alpha)sin(pha_zoa_n_m(m,n))cos(pha_aoa_n_m(m,n)),cos(alpha)cos(pha_zoa_n_m(m,n))] …
exp(1iphi_n_m(m,n))…
[cos(alpha)sin(pha_zod_n_m(m,n))+sin(alpha)sin(pha_zod_n_m(m,n))cos(pha_aod_n_m(m,n));cos(alpha)cos(pha_zod_n_m(m,n))]…
exp(1i(k_CONSTdssin(pha_aod_n_m(m,n))sin(pha_zod_n_m(m,n))))…
exp(1i(k_CONSTdusin(pha_aoa_n_m(m,n))sin(pha_zoa_n_m(m,n)))).…
exp(1ik_CONST)vsin(pha_zoa_n_m(m,n)*cos(pha_aoa_n_m(m,n)-theta_v).*t);
h_n(t) = h_n(t)+h_m(t);
end
h(t) = h(t)+h_n(t);
end
H(u,s,:) = h(t);
end
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 朱瑞芳,张国梅,曹艳梅.三维信道模型约束下的大规模MIMO信道估计方法[J].西安交通大学学报. 2021,55(02)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合