Statistical Modeling and Tracking of the Dynamic Behavior of Radio Channels
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Helsinki University of Technology |
Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Authors
Date
2005
Department
Major/Subject
Radiotekniikka
Mcode
S-26
Degree programme
Language
en
Pages
85
Series
Abstract
Tulevaisuuden langattomat tietoliikennejärjestelmät edellyttävät uusia tapoja radionaaltojen etenemiseri mallinnukseen. Uudet mallit perustuvat moniulotteisiin radiokanavamittauksiin, kun taas toisaalta tarvitaan uusia mittauksia tukemaan kehitettyjä kanavamalleja. Radiokanavamallit perustuvat tiettyihin parametreihin, ja jotta näihin parametreihin päästään käsiksi täytyy ne onnistuneesti estimoida mittaustuloksista. Parametrien estimointi tehdään kehittyneillä signaalinkäsittelyalgoritmeilla. Näiden estimointialgoritmien päätehtävä on löytää parametriarvot, jotka sovittavat tietyn radiokanavamallin mahdollisimman hyvin radiokanavan mittaustulokseen. Tämän työn keskeisimpänä tavoitteena on tutkia rekursiivista radiokanavan parametrien estimointia, eli parametrien estimointialgoritmia, joka mahdollistaa radiokanavassa esiintyvien "polkujen" seuraamisen ajan kuluessa. Työn alkupuolella käsitellään nykyaikaista radiokanavan mallinnusta. Painopiste on kaksisuuntaisella kanavamallilla, joka koostuu voimakkaista etenemispoluista sekä hajautuneesta radioaaltojen säteilytehosta (dense multipath components). Tärkeä osa on myös mittausantenniryhmien mallinnus EADF-muunnoksen (efektiivinen apertuurijakaumafunktio) avulla. Työssä esitellään lyhyesti myös tunnettuja estimointialgoritmeja, joista esimerkkinä tarkastellaan "iterative maximum likelihood" -algoritmia (iteratiivinen todennäköisyyden maksimointi). Työn loppuosa käsittelee EKF-algoritmia (laajennettu Kalman-suodin), joka hyödyntää radiokanavan rekursiivista tila-avaruus -mallinnusta. Simulointitulokset osoittavat EKF-algoritmin toimivan odotusten mukaisesti. Estimointitulokset ovat luotettavia ja tarkkoja. Vertailu "iterative maximum likelihood" -algoritmiin osoittaa EKF:n tuottavan keskimäärin pienemmän estimointivirheen. Lisäominaisuuksien ansiosta se pystyy seuraamaan myös risteäviä polkuja, sekä polkuja, jotka ovat olleet rajallisen ajan häipyneinä tai vaimentuneina. EKF-algoritmi itsessään on laskennallisesti melko kevyt ja nopea, mutta joutuu tukeutumaan alustuksessa sekä uusien polkujen etsinnässä raskaampaan "iterative maximum likelihood" -algoritmiin. Mittausdatalla tehdyn esimerkin avulla osoitetaan tulevaisuuden kehityskohteita, joihin kuuluu EKFalgoritmin parannettu alustaminen, sekä mahdollisten skenaariokohtaisten asetusten määrittäminen.Description
Supervisor
Vainikainen, PerttiThesis advisor
Richter, AndreasKeywords
parameter estimation, parametrien estimointi, Kalman filter, Kalman-suodin, MIMO, MIMO, radio channel modelling, radiokanavamallinnus