In the next generation of wireless systems, Massive MIMO offers high angular resolution for localization. By virtue of large number of antennas, the Angle of Arrival (AoA) of User Terminals (UTs) can be estimated with high accuracy. According to Dense Multipath Component (DMC) channel model, local scatters around UTs can create different multipath signals for each antenna at the Base Station (BS). We obtain a deterministic form for the Cramer-Rao Lower Bound (CRLB) in a multi-user scenario when the contribution of the multipath signals is considered. We do this when the multipath signals are independent and identically distributed (i.i.d) with arbitrary distribution. Then, we redefine a localization efficiency function for a multi-user scenario and numerically optimize it with respect to (w.r.t) the number of antennas. We prove when only a subset of the available antennas is used, CRLB can be minimized w.r.t which set of antennas is used. Then, an antenna selection strategy that minimizes CRLB is proposed. As a benchmark, we apply the proposed antenna selection scheme to the MUltiple SIgnal Classification (MUSIC) algorithm and study its efficiency. Numerical results validate the accuracy of our analysis and show significant improvement in efficiency when the proposed antenna selection strategy is employed.


翻译:在下一代无线系统中,MIMIMM为本地化提供了高角分辨率。 由于天线数量众多, 用户终端( UTs) 的“ 抵达角( AoA) ” 可以用高精度来估算。 根据 Dense 多路传输组件( DMC) 频道模型, 围绕 UTs 的本地散射可以为基地站的每个天线创建不同的多路信号。 当考虑多路信号的贡献时, 我们在一个多用户假设中为 Cramer- Rao Lower Bound( CRLB) 获得一种确定形式。 当多路信号是独立且分布相同( i.d) 的多路信号时, 我们这样做。 然后, 我们重新定义一个多路信号的本地化效率功能功能功能, 并在( w.r.t.) 天线上进行数字优化。 我们证明, 当只使用可用的天线的一个子子子组, 我们就可以将设置天线的网络选择战略最小化 w.r. t。 然后, 我们提出的天线选择战略, 将CRLB 和SICMLMLVI 的精确度选择方案作为基准, 用于SICLPLValalalalalalalalal 的精确度测试方案的基准, 。

0
下载
关闭预览

相关内容

悉尼科技大学(University of Technology Sydney),简称“悉尼科大”(UTS),位于澳大利亚金融和经济中心悉尼,著名公立研究型大学,2020年与美国匹兹堡大学并列位居QS世界排名140名,2019年获得世界五星级高校认证。悉尼科技大学拥有多元文化的校园和充满活力的国际交流与研究计划,帮助毕业生为现在和未来的工作做好准备。学校有超过40,000名学生,其中国际留学生超过10,000名,是澳大利亚规模最大的大学之一。
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
计算机视觉的不同任务
专知
5+阅读 · 2018年8月27日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
24+阅读 · 2020年3月11日
Optimization for deep learning: theory and algorithms
Arxiv
104+阅读 · 2019年12月19日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
3+阅读 · 2018年2月24日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
计算机视觉的不同任务
专知
5+阅读 · 2018年8月27日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员