تخمين كانال هاي چند ورودي -چند خروجي مبتني بر رشته هاي آموزشي بهينه با محوشدگي ناكاگامي-m

تخمين كانالهاي چند ورودي-چند خروجي(MIMO) با محوشدگي ناكاگامي-mنياز به تدوين تخمين گرهايي دارد كه بايستي بر اساس مدل محوشدگي كسب شوند. اين كار نياز به تهيه تابع چگالي احتمال (pdf)بردار تصادفي ناكاگامي با عناصر همبسته دارد كه به دليل پيچيدگي هاي رياضي تاكنون انجام نشده است. در اين مقاله، از ارتباط بين دو تابع چگالي احتمال ناكاگامي و رايس استفاده شده و به منظور تخمين كانال MIMO با محوشدگي ناكاگامي از دو تخمين گر ML و GMMSE استفاده شده است. با استفاده از ارتباط بين دو pdf، ماتريس كوواريانس عناصر ماتريس كانال ناكاگامي به دست آمده و در تخمينگر GMMSE از آن استفاده شده است. تخمينگرهاي كلاسيك قادر به استفاده از آمارگان همبستگي كانال نبوده و لذا در اين كار تخمينگر ML تنها به منظور مقايسه با تخمينگر GMMSE و به عنوان مرجع استفاده ميشود. با تحليل نظري و ارزيابي مبتني بر شبيه سازي در اين كار نشان داده ميشود كه كارآيي تخمين گر GMMSE در كانال ناكاگامي با هر دو رشته ي آموزشي بهينه و متعامد بهبود مييابد. اين بهبودي با رشته ي آموزشي بهينه بيشتر از رشته ي متعامد است.

Estimation of multiple-input-multiple-output (MIMO) channels with Nakagami-m fading requires the development of estimators that should be obtained based on the fading model. Then, it requires preparation of the probability density function (pdf) of Nakagami s random vector with correlated elements, which has not been done due to mathematical complexities.In this article, the relationship between two probability density functions, Nakagami and Rice, is used, and in order to estimate the MIMO channel with Nakagami fading, the ML and the GMMSE estimators are used. By using the relationship between two pdfs, the covariance matrix of elements of the Nakagami channel matrix is obtained and used in the GMMSE estimator. Classical ML estimator is not able to use the channel correlation statistics and the ML estimator is used only for comparison with the GMMSE estimator as a reference. By theoretical analysis and simulation evaluation in this work, it is shown that the efficiency of GMMSE estimator in Nakagami channel is improved with both optimal and orthogonal training sequences. This improvement is greater with the optimal training sequences than with the orthogonal one