WINNER II信道模型与WINNER+信道模型概述
目录
1.WINNER II
2.WINNER+
目前信道模型主要分为准确信道模型、随机信道模型、统计信道模型。其中随机信道模型集和其他两种模型的优点，成为主流的信道模型。随机模型中基于几何统计的随机信道模型(Geometry-based Stochastic Channel Models, GSCM)由于具有复杂度适中、可适用较大载频、足以反映信道的长期统计特性等优势，被广泛应用。现有的 GSCM 信道模型大部分是基于二维平面进行建模的，如3GPP的SCM模型、SCME和WINNER II模型只考虑了水平角对信道系数的影响，忽略了收发天线间的高度差，没有包含实际传播环境中俯仰维度的信息，缺乏对信道在三维空间内色散情况的建模，不能精确描述实际传播信道。WINNER组织的WINNER +模型加入了仰角系数，考虑了三维平面，提到了时间演进模型，但是并没有具体描述其生成过程，并且Massive MIMO信道将会考虑高速移动场景,其信道变化更大，会经历更严重的衰落及非平稳特性，传统的MIMO信道模型将不能满足Massive MIMO系统的要求。
1.WINNER II
WINNER Ⅱ信道模型,由于其参数化建模的特点,只需要改变参数,就可以对同一场景在不同参数下进行分析.其建模思想是将收发端的天线元素的来波进行矢量叠加来描述信道冲激响应.本文给出了WINNER Ⅱ模型的建模过程和信道参数的获取步骤,对D2a场景下不同MS(Mobile Station,移动台)速度下的频率相关性进行分析.
通用WINNER II通道模型遵循基于几何的随机通道建模方法，该方法允许创建任意双向无线电通道模型。该信道模型是天线独立的，即可以插入不同的天线配置和不同的元件图案。信道参数是根据从信道测量中提取的统计分布随机确定的。例如延迟扩展，延迟值，角度扩展，阴影衰落和交叉极化比。信道实现是通过累加具有延迟，功率，到达角度和离开角度等特定信道参数的射线的贡献而产生的。SCME模型通过引入中径将5M带宽扩展到100M带宽，而WINNER II模型本身就是基于100M带宽建模的。发射天线i与接收天线j之间第n条簇上的信道系数为：
天线阵列为随机阵列，信道系数表达如下：
通过对通用基于几何统计建模的标准信道模型进行公式分解，从中可以看出生成信道冲击响应的过程其实就是求解各个信道特征参量的过程，这些能够充分反映不同场景下的信道特性包括了信道的多径时延，各条多径的径功率，信道的传输空间信息（如水平俯仰维的离开角和到达角）以及一些可供调整的参数［１８＇１９］，如视距条件下的莱斯Ｋ因子以及天线交叉极化率（如果收发端天线考虑极化情况下）。下面就将着重讨论其参数的具体产生过程及算法。
WINNER II信道模型包含14种情况，覆盖传播场景有室内办公室、大型室内大厅、室内外、城市微小区、不良城市微小区、户外到室内、固定馈线、郊区宏小区、城市宏小区、农村宏小区、农村移动网络。不同场景的delay是不一致的。
在CDL（Clustered Delay Line，集群延迟线）模型中，每个集群由20条具有固定偏移角度和相同功率的光线组成，在有一束强射线存在的集群中，集群有20+1束射线。这条主射线有零角度偏移，射出和射出的光线是随机耦合的。下面给出了感兴趣的所有场景的CDL表，其中列出了集群功率和每个射线的功率。CDL模型提供具有固定参数的定义良好的无线电信道，以相对不复杂的信道模型获得可比较的模拟结果。
2.WINNER+
在真实的无线传播环境中，散射体将分散在三维（3-D）空间中。 [26]中测量数据表明垂直平面上存在大量的角度信息。在[27]中，作者证明了在计算信道容量时，三维信道模型比二维（2-D）信道模型更准确。前面介绍的SCM、SCME、WINNER II模型都是基于二维平面建模的模型，于是在WINNER II模型基础上，通过增加仰角分量发展出了WINNER +模型。 所有的场景使用相同的模型建模，只是参数选取不同。一个完整的信道模型也需要包括450MHz到1000MHz的频率，WINNER +模型实现了这一点，并且是基于3D的模型。
其模型引入了仰角信息，离开角和到达方向的仰角范围从水平面下方-90°到水平面上方90°，通过使用与方位角相同的程序产生随机仰角。与仰角有关的大尺度参数与相关性的产生方式与方位角的产生方式相同。2D模型中，离开方位角与到达方位角随机配对，3D模型中首先随机配对离开方位角与离开仰角、到达方位角与到达仰角，然后配对离开方向与到达方向。引入仰角信息后，也增加了多径多普勒频率的计算，表达式为：
WINNER II信道模型与WINNER+信道模型概述相关推荐
- 【水声通信】使用Bellohop模型产生水声信道，采用相干检测的方法进行PSK、QAM调制解调【matlab代码】
源码 https://blog.csdn.net/qq_44394952/article/details/124490764?spm=1001.2014.3001.5502 1.实验目的 (1)学习并 ...
- 《信息物理融合系统（CPS）设计、建模与仿真——基于 Ptolemy II 平台》——1.3 模型在设计中的作用...
本节书摘来自华章出版社<信息物理融合系统(CPS)设计.建模与仿真--基于 Ptolemy II 平台>一书中的第1章,第1.3节,作者:［美］爱德华·阿什福德·李(Edward Ashf ...
- 【统计学习系列】多元线性回归模型（四）——模型的参数估计II：区间估计
文章目录 1. 前文回顾 2. ***β*** 的区间估计 2.1 t统计量的构造 2.2 估计区间 3. *σ* 的区间估计 3.1 卡方统计量的构造 3.2 估计区间 4. ***y*** 的区间 ...
- 下行物理信道rs_下行物理信道rs_5G物理层服务模型
物理层做为无线通信网络最重要的一层,提供了很多数据传输服务,如下: 输通道上的错误检测并向高层进行指示; 传输信道上的FEC(Forward Error Correction) 编码和解码; Hybr ...
- 【C 语言】字符串模型 ( 键值对模型 )
文章目录 一.业务逻辑需求 二.完整代码实现 一.业务逻辑需求 在 C 中实现 键值对 字符串 的 读取 , 解析 , 保存 操作 ; 键值对字符串样式 "key = value" ...
- Lesson 5.分类模型决策边界与模型评估指标
Lesson 5.分类模型决策边界与模型评估指标(上) 在逻辑回归的算法基础内容结束之后,我们还需要补充一些关于分类模型的基础知识,包括观察分类模型判别性能的决策边界基本的概念与实现方法,同时也包括对 ...
- 异常检测中的浅层模型与深度学习模型综述（A Unifying Review of Deep and Shallow Anomaly Detection）
A Unifying Review of Deep and Shallow Anomaly Detection 异常检测中的浅层模型与深度学习模型综述 摘要:随着众多异常检测方法(基于生成模型,单分类 ...
- R语言VaR市场风险计算方法与回测、用LOGIT逻辑回归、PROBIT模型信用风险与分类模型...
全文链接:http://tecdat.cn/?p=27530 市场风险指的是由金融市场中资产的价格下跌或价格波动增加所导致的可能损失. 相关视频 市场风险包含两种类型:相对风险和绝对风险.绝对风险关 ...
- 分类-3-生成学习-3-朴素贝叶斯模型、laplace平滑、多元伯努利事件模型、多项式事件模型
参考 http://www.cnblogs.com/jerrylead 多元伯努利事件模型( multi-variate Bernoulli event model) 在 GDA 中,我们要求特征向量 ...
最新文章
- 唯一聚集索引上的唯一和非唯一非聚集索引
- 基于 abp vNext 和 .NET Core 开发博客项目 - Blazor 实战系列（七）
- android简单小程序完整代码_10行代码实现小程序支付功能！丨实战
- java旺季机票_java-第四章-机票价格受到淡季旺季的影响,编写的小程序
- 我不愿意直接表达情绪：答上海《新闻晨报》记者顾筝小姐问
- 消息中间件ActiveMQ、RabbitMQ、RocketMQ、ZeroMQ、Kafka如何选型
- 海岸鸿蒙2018年标准物质,海岸鸿蒙——20年权威的标准物质研制单位
- php基本语法 格式,PHP 基本语法格式
- getParameterMap()的返回值为MapString, String[]，从其中取得请求参数转为MapString, String的方法如下：...
- jsp 页面实现增减行
- Python菜鸟入门：day14编程学习
- 华为最新全系列交换机命令手册、配置指南下载
- Drools workbench kie-server部署和简单使用（全流程
- Gdiplus的使用
- Hacking Diablo II之外挂实战教程：去除D2JSP试用版显示的Trial Version信息
- 工业机器人 郝卫东_基于S3C2410的视觉巡线机器人系统设计
- jQuery-表单校验
- 75寸的电视长宽各是多少厘米
- 手机捕鱼服务器维护,手机捕鱼游戏服务器
- 【正点原子FPGA连载】第六章Petalinux设计流程实战摘自【正点原子】DFZU2EG_4EV MPSoC之嵌入式Linux开发指南