首页--工业技术论文--无线电电子学、电信技术论文--无线通信论文--移动通信论文

基于压缩感知的毫米波大规模MIMO信道估计

摘要第5-6页
ABSTRACT第6-7页
符号说明第11-12页
第1章 绪论第12-18页
    1.1 研究背景与意义第12-14页
    1.2 国内外研究现状第14-16页
    1.3 论文的研究内容与结构第16-18页
第2章 信道估计相关理论第18-32页
    2.1 信道估计基础第18-21页
        2.1.1 信道估计常用算法第18-20页
        2.1.2 信道互易性与信道估计第20-21页
    2.2 压缩感知与信道估计第21-27页
        2.2.1 压缩感知基础第21-24页
        2.2.2 基于压缩感知的信道估计建模第24-27页
    2.3 深度学习基础第27-32页
        2.3.1 深度学习基本概念第27-29页
        2.3.2 循环神经网络第29-32页
第3章 单用户MIMO上行信道估计第32-47页
    3.1 系统模型第32-35页
        3.1.1 信道模型第32-34页
        3.1.2 二维格点失配模型第34-35页
    3.2 基于稀疏贝叶斯学习的信道估计方案第35-42页
        3.2.1 贝叶斯推断第35-37页
        3.2.2 基于EM的超参数更新第37-39页
        3.2.3 基于稀疏贝叶斯学习的算法第39-40页
        3.2.4 基于稀疏贝叶斯学习的算法改进第40-41页
        3.2.5 算法复杂度分析第41-42页
    3.3 仿真结果与分析第42-45页
    3.4 本章小结第45-47页
第4章 多用户MIMO上行信道估计第47-61页
    4.1 系统模型第47-48页
    4.2 基于循环神经网络的低复杂度信道估计方案第48-50页
    4.3 基于稀疏贝叶斯学习的MMV角域估计方案第50-56页
        4.3.1 一维格点失配模型第50-51页
        4.3.2 基于稀疏贝叶斯学习的角域信道估计推导第51-54页
        4.3.3 算法复杂度分析第54-56页
    4.4 仿真结果与分析第56-60页
        4.4.1 基于循环神经网络的低复杂度信道估计方案第56-59页
        4.4.2 基于稀疏贝叶斯学习的MMV角域估计方案第59-60页
    4.5 本章小结第60-61页
第5章 总结与展望第61-63页
    5.1 论文总结第61页
    5.2 不足与展望第61-63页
参考文献第63-68页
附录第68-69页
致谢第69-70页
在读期间发表的学术论文与取得的研究成果第70页

论文共70页,点击 下载论文
上一篇:基于RS与GIS的滨海旅游城市生态系统服务价值研究--以三亚市为例
下一篇:旅游虚拟社区服务内容对其成员旅游决策的影响研究