Open-loop beamforming in frequency division duplex networks
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Authors
Date
2020-03-17
Department
Major/Subject
Applied Mathematics
Mcode
SCI3053
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
74+4
Series
Abstract
The demand for increased data rates in mobile networks has motivated researchersto develop sophisticated signal processing algorithms for wireless communication. In mobile networks, the use of multiple parallel data streams has been proposed as away to increase the resource utilization. This concept is known as multiple-input-multiple-output, or MIMO. MIMO plays an essential role in LTE and 5G networks and is implemented using several different techniques. One approach is known as beamforming. Using beamforming, the transmitter can manipulate the radiation pattern, and increase or decrease the signal strength towards specific directions. Efficient beamforming requires knowledge of the established channel between the transmitter and the receiver. This poses problems in frequency division duplex(FDD) networks, where the knowledge of the downlink channel at the transmitter islimited. Beamforming in FDD networks typically require feedback, which implies overhead. In this thesis we study beamforming methods targeting mobile networks operatingin FDD mode. We review a recent measurement-based feedback-free method, anddiscuss different implementation strategies based on the observations. We alsoinvestigate a novel data-driven method as an alternative to the measurement basedapproach. Simulations using a geometric channel model show that our new methodmay be useful in future mobile networks.Efterfrågan på högre överförningshastigheter i mobilnät har accelererat utvecklingen av sofistikerade algoritmer för signalbehandling. För mobilnät har användningen avflera parallella dataströmmar, så kallad MIMO, föreslagits för att förbättra användningsgraden av de fysiska resurserna. MIMO spelar en central roll i LTE och 5G mobilnät, och kan förverkligas på olika sätt. En metod är känd som strålformning. Med hjälp av strålformning kan sändaren manipulera antennens strålningsmönster, och på så sätt antingen öka eller minska signalstyrkan i en särskild riktning. Många strålformningsmetoder är beroende av komplett information om den trådlösa kanal som uppstår mellan sändaren och mottagaren. Detta utgör ett problem i nätverk som använder frekvensdelad duplex (FDD) då sändarens kanalinformation är begränsad. Strålformning i FDD-nätverk är därför ofta beroende av återkopplad information från mottagaren, vilket innebär lägre effektivitet. I detta arbete studerar vi stålformningsalgoritmer avsedda specifikt för FDD-nätverk inom mobil kommunikation. Vi utreder hur maskininlärning kan användas för att eliminera återkopplingen vid användarspecifik strålformning. Simulationer gjorda med en geometrisk kanalmodell visar att vår nya metod kan vara användbar i framtida mobilnätverk. Vi granskar också en nyligen offentligjord återkopplingsfri metod som baserar sig på mätningar av antennens frekvensspecifika strålningsmönster. På basen av studien diskuterar vi möjliga implementationer med hänseende till dataresurser.Description
Supervisor
Oliveira, FabricioThesis advisor
Väisänen, NikoKeywords
beamforming, wireless networks, neural networks, machine learning