UPA/URA双极化天线的协方差矩阵结构

news/2024/5/6 14:14:45/文章来源:https://blog.csdn.net/weixin_43413559/article/details/130118647

文章目录

  • UPA的阵列响应向量(暂不考虑双极化天线)
  • UPA阵列响应:从单极化天线到双极化天线
  • UPA双极化天线的协方差矩阵结构
  • 参考文献

UPA的阵列响应向量(暂不考虑双极化天线)

下图形象描述了UPA阵列的接收信号

UPA阵列的水平(Horizontal)方向的天线间距为dHd_HdH,垂直(Vertical)方向的天线间距为dVd_VdV,图中BA是点A处的阵元接收到的信号方向,我们需要衡量水平、垂直两个方向的路径差。

(1)水平方向的路径差
考虑三角形OAB,我们从图中可以看出三个点的坐标分别为:(0,0,0),(dH,0,0),(rcos⁡ϕsin⁡θ+dH,rcos⁡ϕcos⁡θ,rsin⁡ϕ)(0,0,0),(d_H,0,0),(r \cos \phi \sin \theta + d_H, r \cos \phi \cos \theta, r \sin \phi)(0,0,0),(dH,0,0),(rcosϕsinθ+dH,rcosϕcosθ,rsinϕ),可以进一步计算该三角形三条边的长度
OA=dHOB=∣(rcos⁡ϕsin⁡θ+dH,rcos⁡ϕcos⁡θ,rsin⁡ϕ)∣AB=r\begin{aligned} OA &= d_H \\ OB &= \left | (r \cos \phi \sin \theta + d_H, r \cos \phi \cos \theta, r \sin \phi) \right| \\ AB &= r \end{aligned} OAOBAB=dH=(rcosϕsinθ+dH,rcosϕcosθ,rsinϕ)=r

根据三角余弦定理,我们可以得到
cos⁡∠OAB=∣AB∣2+∣OA∣2−∣OB∣22∣AB∣⋅∣OA∣=r2+dH2−(r2+dH2+2dHrcos⁡ϕsin⁡θ)2rdH=cos⁡ϕsin⁡θ\begin{aligned} \cos {\angle {OAB}} &= \frac { |AB|^2 + |OA|^2 - |OB|^2 }{2 |AB| \cdot |OA|} \\ &= \frac{ r^2 + d^2_H - (r^2 + d^2_H+ 2 d_H r \cos \phi \sin \theta) } {2 r d_H} \\ &= \cos \phi \sin \theta \end{aligned} cosOAB=2∣ABOAAB2+OA2OB2=2rdHr2+dH2(r2+dH2+2dHrcosϕsinθ)=cosϕsinθ

因此水平方向的路径差为:
ΔH=dHcos⁡∠OAB=dHcos⁡ϕsin⁡θ\Delta_H = d_H \cos {\angle {OAB}} = d_H \cos \phi \sin \theta ΔH=dHcosOAB=dHcosϕsinθ

(2)垂直方向的路径差
不难看出,垂直方向的路径差为
ΔV=dVsin⁡ϕ\Delta_V= d_V \sin \phi ΔV=dVsinϕ

因此阵列响应向量对应的延时(相位)部分可以表征为:
Ψ(u−1)NH+v(ϕ,θ)=2πλ[(u−1)dVsin⁡ϕ+(v−1)dHcos⁡ϕsin⁡θ]\Psi_{(u-1)N_H+v}(\phi, \theta) = \frac{2 \pi}{\lambda} \left [ (u-1) d_V \sin \phi + (v-1)d_H \cos \phi \sin \theta \right] Ψ(u1)NH+v(ϕ,θ)=λ2π[(u1)dVsinϕ+(v1)dHcosϕsinθ]

其中1≤u≤NV,1≤v≤NH1 \leq u \leq N_V, 1 \leq v \leq N_H1uNV,1vNH

为了与论文[1]的符号对齐,这里我们令
cos⁡θ1=sin⁡ϕsin⁡θ2=sin⁡θ\begin{aligned} \cos \theta_1 &= \sin \phi \\ \sin \theta_2&= \sin \theta \end{aligned} cosθ1sinθ2=sinϕ=sinθ

θ=(θ1,θ2)T\boldsymbol \theta = (\theta_1, \theta_2)^Tθ=(θ1,θ2)T,这时UPA阵列响应向量中含相位的项为
ejΨ(θ):=[ejΨ1(θ),ejΨ2(θ),⋯,ejΨNVNH(θ)]T∈CNVNH×1e^{j \boldsymbol \Psi(\boldsymbol \theta)} := \left [ e^{j \Psi_1(\boldsymbol \theta)}, e^{j \Psi_2(\boldsymbol \theta)}, \cdots, e^{j \Psi_{N_V N_H}(\boldsymbol \theta)} \right]^T \in \mathbb C^{N_V N_H \times 1} ejΨ(θ):=[ejΨ1(θ),ejΨ2(θ),,ejΨNVNH(θ)]TCNVNH×1

其中:
Ψ(u−1)NH+v(θ)=2πλ[(u−1)dVcos⁡θ1+(v−1)dHsin⁡θ1sin⁡θ2],1≤u≤NV,1≤v≤NH\Psi_{(u-1)N_H+v}(\boldsymbol \theta) = \frac{2 \pi}{\lambda} \left [ (u-1) d_V \cos \theta_1 + (v-1)d_H \sin \theta_1 \sin \theta_2 \right], \ \ 1 \leq u \leq N_V, 1 \leq v \leq N_H Ψ(u1)NH+v(θ)=λ2π[(u1)dVcosθ1+(v1)dHsinθ1sinθ2],  1uNV,1vNH

更进一步,UPA阵列响应向量为(包含水平方向和垂直方向):
aV(θ)=aV(θ)ejΨ(θ)∈CNVNH×1aH(θ)=aH(θ)ejΨ(θ)∈CNVNH×1\begin{aligned} \boldsymbol a_V (\boldsymbol \theta) &= a_V(\boldsymbol \theta) e^{j \boldsymbol \Psi(\boldsymbol \theta)} \in \mathbb C^{N_V N_H \times 1} \\ \boldsymbol a_H (\boldsymbol \theta) &= a_H(\boldsymbol \theta) e^{j \boldsymbol \Psi(\boldsymbol \theta)} \in \mathbb C^{N_V N_H \times 1} \\ \end{aligned} aV(θ)aH(θ)=aV(θ)ejΨ(θ)CNVNH×1=aH(θ)ejΨ(θ)CNVNH×1

其中aV(θ),aH(θ)∈Ra_V(\boldsymbol \theta),a_H(\boldsymbol \theta) \in \mathbb RaV(θ),aH(θ)R表示天线本身的field pattern(对应幅度的概念)。

UPA阵列响应:从单极化天线到双极化天线

注意到,上一章节所推演的阵列响应响应为单极化UPA阵列。对于双极化UPA,其阵列响应向量定义为
aV(θ)=[aV,1(θ)aV,2(θ)]⊗ejΨ(θ)∈C2NVNH×1aH(θ)=[aH,1(θ)aH,2(θ)]⊗ejΨ(θ)∈C2NVNH×1\begin{aligned} \boldsymbol a_V (\boldsymbol \theta) &= \left[ \begin{array}{c} a_{V,1}\left( \boldsymbol{\theta } \right)\\ a_{V,2}\left( \boldsymbol{\theta } \right)\\ \end{array} \right] \otimes e^{j \boldsymbol \Psi(\boldsymbol \theta)} \in \mathbb C^{2 N_V N_H \times 1} \\ \boldsymbol a_H (\boldsymbol \theta) &= \left[ \begin{array}{c} a_{H,1}\left( \boldsymbol{\theta } \right)\\ a_{H,2}\left( \boldsymbol{\theta } \right)\\ \end{array} \right] \otimes e^{j \boldsymbol \Psi(\boldsymbol \theta)} \in \mathbb C^{2 N_V N_H \times 1} \end{aligned} aV(θ)aH(θ)=[aV,1(θ)aV,2(θ)]ejΨ(θ)C2NVNH×1=[aH,1(θ)aH,2(θ)]ejΨ(θ)C2NVNH×1

其中aV,1,aV,2∈Ra_{V,1},a_{V,2} \in \mathbb RaV,1,aV,2R分别表示垂直方向上,+45°+45 \degree+45°−45°-45 \degree45°极化天线的field pattern,为天线固有的值,不受环境影响。

UPA双极化天线的协方差矩阵结构

双极化UPA阵列的协方差矩阵为
R=∫ΩρV(θ)aV(θ)aVH(θ)dθ+∫ΩρH(θ)aH(θ)aHH(θ)dθ∈C2NVNH×2NVNH\boldsymbol R= \int_{\Omega} \rho_V(\boldsymbol \theta) \boldsymbol a_V(\boldsymbol \theta) \boldsymbol a_V^H(\boldsymbol \theta) d \boldsymbol \theta + \int_{\Omega} \rho_H(\boldsymbol \theta) \boldsymbol a_H(\boldsymbol \theta) \boldsymbol a_H^H(\boldsymbol \theta) d \boldsymbol \theta \in \mathbb C^{2 N_V N_H \times 2 N_V N_H} R=ΩρV(θ)aV(θ)aVH(θ)dθ+ΩρH(θ)aH(θ)aHH(θ)dθC2NVNH×2NVNH

不失一般性,这里我们只关注aV(θ)aVH(θ)\boldsymbol a_V(\boldsymbol \theta) \boldsymbol a_V^H(\boldsymbol \theta)aV(θ)aVH(θ)
aV(θ)aVH(θ)=([aV,1(θ)aV,2(θ)]⊗ejΨ(θ))([aV,1(θ)aV,2(θ)]⊗ejΨ(θ))H=([aV,1(θ)aV,2(θ)]⊗ejΨ(θ))([aV,1(θ)aV,2(θ)]T⊗(ejΨ(θ))H)=[aV,12(θ)aV,1(θ)aV,2(θ)aV,2(θ)aV,1(θ)aV,22(θ)]⊗(ejΨ(θ)(ejΨ(θ))H)\begin{aligned} \boldsymbol a_V(\boldsymbol \theta) \boldsymbol a_V^H(\boldsymbol \theta) &= \left ( \left[ \begin{array}{c} a_{V,1}\left( \boldsymbol{\theta } \right)\\ a_{V,2}\left( \boldsymbol{\theta } \right)\\ \end{array} \right] \otimes e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right) \left ( \left[ \begin{array}{c} a_{V,1}\left( \boldsymbol{\theta } \right)\\ a_{V,2}\left( \boldsymbol{\theta } \right)\\ \end{array} \right] \otimes e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right)^H \\ &=\left ( \left[ \begin{array}{c} a_{V,1}\left( \boldsymbol{\theta } \right)\\ a_{V,2}\left( \boldsymbol{\theta } \right)\\ \end{array} \right] \otimes e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right) \left ( \left[ \begin{array}{c} a_{V,1}\left( \boldsymbol{\theta } \right)\\ a_{V,2}\left( \boldsymbol{\theta } \right)\\ \end{array} \right]^T \otimes \left( e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right )^H \right) \\ &= \left[ \begin{matrix} a_{V,1}^{2}\left( \boldsymbol{\theta } \right)& a_{V,1}\left( \boldsymbol{\theta } \right) a_{V,2}\left( \boldsymbol{\theta } \right)\\ a_{V,2}\left( \boldsymbol{\theta } \right) a_{V,1}\left( \boldsymbol{\theta } \right)& a_{V,2}^{2}\left( \boldsymbol{\theta } \right)\\ \end{matrix} \right] \otimes \left ( e^{j \boldsymbol \Psi(\boldsymbol \theta)} \left( e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right )^H \right) \end{aligned} aV(θ)aVH(θ)=([aV,1(θ)aV,2(θ)]ejΨ(θ))([aV,1(θ)aV,2(θ)]ejΨ(θ))H=([aV,1(θ)aV,2(θ)]ejΨ(θ))([aV,1(θ)aV,2(θ)]T(ejΨ(θ))H)=[aV,12(θ)aV,2(θ)aV,1(θ)aV,1(θ)aV,2(θ)aV,22(θ)](ejΨ(θ)(ejΨ(θ))H)

我们不难看出,协方差矩阵R∈C2NVNH×2NVNH\boldsymbol R \in \mathbb C^{2 N_V N_H \times 2 N_V N_H}RC2NVNH×2NVNH,具有特定的块结构,可写为
R=[B1B2HB2B3]∈C2NVNH×2NVNH\boldsymbol R = \left[ \begin{matrix} \boldsymbol{B}_1& \boldsymbol{B}_{2}^{H}\\ \boldsymbol{B}_2& \boldsymbol{B}_3\\ \end{matrix} \right] \in \mathbb C^{2 N_V N_H \times 2 N_V N_H} R=[B1B2B2HB3]C2NVNH×2NVNH

其中B1,B2,B3∈CNVNH×NVNH\boldsymbol{B}_1,\boldsymbol{B}_2,\boldsymbol{B}_3 \in \mathbb C^{ N_V N_H \times N_V N_H}B1,B2,B3CNVNH×NVNH具有相同的结构性质,且不难看出,该性质取决于ejΨ(θ)(ejΨ(θ))H∈CNVNH×NVNHe^{j \boldsymbol \Psi(\boldsymbol \theta)} \left( e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right )^H \in \mathbb C^{ N_V N_H \times N_V N_H}ejΨ(θ)(ejΨ(θ))HCNVNH×NVNH。回顾ejΨ(θ)e^{j \boldsymbol \Psi(\boldsymbol \theta)}ejΨ(θ)的表达式:
ejΨ(θ)=[ejΨ1(θ),ejΨ2(θ),⋯,ejΨNVNH(θ)]TΨ(u−1)NH+v(θ)=2πλ[(u−1)dVcos⁡θ1+(v−1)dHsin⁡θ1sin⁡θ2]\begin{aligned} e^{j \boldsymbol \Psi(\boldsymbol \theta)} &= \left [ e^{j \Psi_1(\boldsymbol \theta)}, e^{j \Psi_2(\boldsymbol \theta)}, \cdots, e^{j \Psi_{N_V N_H}(\boldsymbol \theta)} \right]^T \\ \Psi_{(u-1)N_H+v}(\boldsymbol \theta) &= \frac{2 \pi}{\lambda} \left [ (u-1) d_V \cos \theta_1 + (v-1)d_H \sin \theta_1 \sin \theta_2 \right] \end{aligned} ejΨ(θ)Ψ(u1)NH+v(θ)=[ejΨ1(θ),ejΨ2(θ),,ejΨNVNH(θ)]T=λ2π[(u1)dVcosθ1+(v1)dHsinθ1sinθ2]

我们不妨先固定u0∈{1,⋯,NV}u_0 \in \{1,\cdots,N_V\}u0{1,,NV},取子向量(ejΨk(θ):k=(u0−1)NH+v,v=1,⋯,NH)∈CNH×1\left (e^{j \Psi_k(\boldsymbol \theta)}: k=(u_0-1)N_H+v, v=1,\cdots,N_H \right) \in \mathbb C^{N_H \times 1}(ejΨk(θ):k=(u01)NH+v,v=1,,NH)CNH×1,令
∣u0⟩=(ejΨk(θ):k=(u0−1)NH+v,v=1,⋯,NH)∈CNH×1|u_0 \rangle = \left (e^{j \Psi_k(\boldsymbol \theta)}: k=(u_0-1)N_H+v, v=1,\cdots,N_H \right) \in \mathbb C^{N_H \times 1} u0=(ejΨk(θ):k=(u01)NH+v,v=1,,NH)CNH×1

(这里存在一定程度的符号滥用,但为了方便叙述,我们选择采用量子力学中常用的狄拉克符号),则ejΨ(θ)(ejΨ(θ))H∈CNVNH×NVNHe^{j \boldsymbol \Psi(\boldsymbol \theta)} \left( e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right )^H \in \mathbb C^{ N_V N_H \times N_V N_H}ejΨ(θ)(ejΨ(θ))HCNVNH×NVNH可以写为
ejΨ(θ)(ejΨ(θ))H=[∣1⟩⟨1∣∣1⟩⟨2∣∣1⟩⟨3∣⋯∣1⟩⟨NV∣∣2⟩⟨1∣∣2⟩⟨2∣∣2⟩⟨3∣⋯⋮∣3⟩⟨1∣∣3⟩⟨2∣∣3⟩⟨3∣⋯∣NV−1⟩⟨NV∣⋮⋮⋮⋱∣NV−1⟩⟨NV∣∣NV⟩⟨1∣⋯∣NV⟩⟨NV−2∣∣NV⟩⟨NV−1∣∣NV⟩⟨NV∣]e^{j \boldsymbol \Psi(\boldsymbol \theta)} \left( e^{j \boldsymbol \Psi(\boldsymbol \theta)} \right )^H=\left[ \begin{matrix}{} |1\rangle \langle 1|& |1\rangle \langle 2|& |1\rangle \langle 3|& \cdots& |1\rangle \langle N_V|\\ |2\rangle \langle 1|& |2\rangle \langle 2|& |2\rangle \langle 3|& \cdots& \vdots\\ |3\rangle \langle 1|& |3\rangle \langle 2|& |3\rangle \langle 3|& \cdots& |N_V-1\rangle \langle N_V|\\ \vdots& \vdots& \vdots& \ddots& |N_V-1\rangle \langle N_V|\\ |N_V\rangle \langle 1|& \cdots& |N_V\rangle \langle N_V-2|& |N_V\rangle \langle N_V-1|& |N_V\rangle \langle N_V|\\ \end{matrix} \right] ejΨ(θ)(ejΨ(θ))H=∣11∣∣21∣∣31∣NV1∣∣12∣∣22∣∣32∣∣13∣∣23∣∣33∣NVNV2∣NVNV1∣∣1NVNV1NVNV1NVNVNV

首先,我们不难发现
∣i⟩⟨j∣=∣i+d⟩⟨j+d∣,∀d|i \rangle \langle j| = |i+d \rangle \langle j+d|, \ \ \forall d ij=i+dj+d,  d

因此,我们只需要关注∣1⟩⟨1∣,∣2⟩⟨1∣,⋯,∣NV⟩⟨1∣|1\rangle \langle 1|, |2\rangle \langle 1|, \cdots, |N_V\rangle \langle 1|∣11∣,∣21∣,,NV1∣即可

u0=1u_0=1u0=1
∣1⟩⟨1∣=[1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2][1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2]H|1\rangle \langle 1| = \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right] \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right]^H ∣11∣=1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ21ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2H

不难发现,上述写法直接对应到ULA阵,因此对应部分的块矩阵满足Toplitz性

u0>1u_0 > 1u0>1
∣u0⟩⟨1∣=(ej2πλ(u0−1)dV[1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2])[1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2]H=ej2πλ(u0−1)dV[1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2][1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2]H\begin{aligned} |u_0 \rangle \langle 1| &=\left ( e^{j \frac{2\pi}{\lambda}(u_0-1)d_V} \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right] \right ) \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right]^H \\ &= e^{j \frac{2\pi}{\lambda}(u_0-1)d_V} \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right] \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right]^H \end{aligned} u01∣=ejλ2π(u01)dV1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ21ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2H=ejλ2π(u01)dV1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ21ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2H

注意到,无论是∣1⟩⟨1∣|1\rangle \langle 1|∣11∣还是∣u0⟩⟨1∣,u0>1|u_0 \rangle \langle 1|,u_0 > 1u01∣,u0>1,大家都有一个公共的Toeplitz结构,即
[1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2][1ej2πλdHsin⁡θ1sin⁡θ2ej2πλ2dHsin⁡θ1sin⁡θ2⋮ej2πλ(NH−1)dHsin⁡θ1sin⁡θ2]H=[α1α2∗⋯αNH∗α2α1⋱⋮⋮⋱⋱α2∗αNH⋯α2α1]∈CNH×NH\left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right] \left[ \begin{array}{l} 1\\ e^{j\frac{2\pi}{\lambda}d_H \sin \theta_1 \sin \theta_2}\\ e^{j\frac{2\pi}{\lambda}2d_H \sin \theta_1 \sin \theta_2} \\ \vdots \\ e^{j\frac{2\pi}{\lambda}(N_H-1)d_H \sin \theta_1 \sin \theta_2}\\ \end{array} \right]^H = \left[ \begin{matrix} \alpha _1& \alpha _{2}^{*}& \cdots& \alpha _{N_H}^{*}\\ \alpha _2& \alpha _1& \ddots& \vdots\\ \vdots& \ddots& \ddots& \alpha _{2}^{*}\\ \alpha _{N_H}& \cdots& \alpha _2& \alpha _1\\ \end{matrix} \right] \in \mathbb C^{N_H \times N_H} 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ21ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2H=α1α2αNHα2α1α2αNHα2α1CNH×NH

因为积分无非就是加权求和,并不改变上述积分内部矩阵的结构,因此我们得出如下结论:
(1)若波长λ\lambdaλdVd_VdV未知,即系数ej2πλ(u0−1)dVe^{j \frac{2\pi}{\lambda}(u_0-1)d_V}ejλ2π(u01)dV未知,则协方差矩阵
R=[B1B2HB2B3]∈C2NVNH×2NVNH\boldsymbol R = \left[ \begin{matrix} \boldsymbol{B}_1& \boldsymbol{B}_{2}^{H}\\ \boldsymbol{B}_2& \boldsymbol{B}_3\\ \end{matrix} \right] \in \mathbb C^{2 N_V N_H \times 2 N_V N_H} R=[B1B2B2HB3]C2NVNH×2NVNH

的每一个块矩阵B1,B2,B3∈CNVNH×NVNH\boldsymbol{B}_1,\boldsymbol{B}_2,\boldsymbol{B}_3 \in \mathbb C^{ N_V N_H \times N_V N_H}B1,B2,B3CNVNH×NVNH具有相同的结构,即
Bl=[Bl,1Bl,2HBl,3H⋯Bl,NVHBl,2Bl,1Bl,2H⋱⋮Bl,3Bl,2Bl,1⋱Bl,3H⋮⋱⋱⋱Bl,2HBl,NV⋯Bl,3Bl,2Bl,1]∈CNVNH×NVNH\boldsymbol{B}_l=\left[ \begin{matrix}{} \boldsymbol{B}_{l,1}& \boldsymbol{B}_{l,2}^{H}& \boldsymbol{B}_{l,3}^{H}& \cdots& \boldsymbol{B}_{l,N_V}^{H}\\ \boldsymbol{B}_{l,2}& \boldsymbol{B}_{l,1}& \boldsymbol{B}_{l,2}^{H}& \ddots& \vdots\\ \boldsymbol{B}_{l,3}& \boldsymbol{B}_{l,2}& \boldsymbol{B}_{l,1}& \ddots& \boldsymbol{B}_{l,3}^{H}\\ \vdots& \ddots& \ddots& \ddots& \boldsymbol{B}_{l,2}^{H}\\ \boldsymbol{B}_{l,N_V}& \cdots& \boldsymbol{B}_{l,3}& \boldsymbol{B}_{l,2}& \boldsymbol{B}_{l,1}\\ \end{matrix} \right] \in \mathbb{C}^{ N_V N_H \times N_V N_H } Bl=Bl,1Bl,2Bl,3Bl,NVBl,2HBl,1Bl,2Bl,3HBl,2HBl,1Bl,3Bl,2Bl,NVHBl,3HBl,2HBl,1CNVNH×NVNH

其中

Bl,1=β⋅[α1α2∗⋯αNH∗α2α1⋱⋮⋮⋱⋱α2∗αNH⋯α2α1]∈CNH×NH,β∈R\boldsymbol{B}_{l,1} = \beta \cdot \left[ \begin{matrix} \alpha _1& \alpha _{2}^{*}& \cdots& \alpha _{N_H}^{*}\\ \alpha _2& \alpha _1& \ddots& \vdots\\ \vdots& \ddots& \ddots& \alpha _{2}^{*}\\ \alpha _{N_H}& \cdots& \alpha _2& \alpha _1\\ \end{matrix} \right] \in \mathbb C^{N_H \times N_H}, \beta \in \mathbb R Bl,1=βα1α2αNHα2α1α2αNHα2α1CNH×NH,βR

Bl,u0=β⋅ej2πλ(u0−1)dV⋅[α1α2∗⋯αNH∗α2α1⋱⋮⋮⋱⋱α2∗αNH⋯α2α1]∈CNH×NH,β∈R,u0>1\boldsymbol{B}_{l,u_0} = \beta \cdot e^{j \frac{2\pi}{\lambda}(u_0-1)d_V} \cdot \left[ \begin{matrix} \alpha _1& \alpha _{2}^{*}& \cdots& \alpha _{N_H}^{*}\\ \alpha _2& \alpha _1& \ddots& \vdots\\ \vdots& \ddots& \ddots& \alpha _{2}^{*}\\ \alpha _{N_H}& \cdots& \alpha _2& \alpha _1\\ \end{matrix} \right] \in \mathbb C^{N_H \times N_H}, \beta \in \mathbb R, u_0 > 1 Bl,u0=βejλ2π(u01)dVα1α2αNHα2α1α2αNHα2α1CNH×NH,βR,u0>1

  • Bl,1\boldsymbol{B}_{l,1}Bl,1的自由度为NHN_HNH
  • Bl,u0,u0>1\boldsymbol{B}_{l,u_0}, u_0 > 1Bl,u0,u0>1的自由度为NH+NH−1N_H+N_H-1NH+NH1(甚至还可以再压缩)

(2)若系数ej2πλ(u0−1)dVe^{j \frac{2\pi}{\lambda}(u_0-1)d_V}ejλ2π(u01)dV已知,则

  • Bl,1\boldsymbol{B}_{l,1}Bl,1的自由度为NHN_HNH
  • Bl,u0,u0>1\boldsymbol{B}_{l,u_0}, u_0 > 1Bl,u0,u0>1的自由度为NHN_HNH
    本质上,此时协方差矩阵的自由度可以降为NHN_HNH

参考文献

[1] L. Miretti, R. L. G. Cavalcante and S. Stańczak, “Channel Covariance Conversion and Modelling Using Infinite Dimensional Hilbert Spaces,” in IEEE Transactions on Signal Processing, vol. 69, pp. 3145-3159, 2021, doi: 10.1109/TSP.2021.3082461.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.luyixian.cn/news_show_285857.aspx

如若内容造成侵权/违法违规/事实不符,请联系dt猫网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

已知原根多项式和寄存器初始值时求LFSR的简单例子

线性反馈移位寄存器(LFSR)是一种用于生成伪随机数序列的简单结构。在这里,我们有一个四项原根多项式 p(x)1x0x21102p(x) 1 x 0x^2 110_2p(x)1x0x21102​ 和初始值 S0100S_0 100S0​100。我们将使用 LFSR 动作过程来生成一个伪随机序列。…

SpringBoot【运维实用篇】---- SpringBoot程序的打包与运行

SpringBoot【运维实用篇】---- SpringBoot程序的打包与运行程序打包程序运行SpringBoot程序打包失败处理命令行启动常见问题及解决方案刚开始做开发学习的小伙伴可能在有一个知识上面有错误的认知,我们天天写程序是在Idea下写的,运行也是在Idea下运行的。…

vue——项目中加载public中的静态资源——技能提升

应用场景 在写后台管理系统的时候,遇到一个需求就是关于热力图的功能,需要加载不同的页面,这个页面需要每日更新一次,所以请求页面html的最终解决办法就是:将页面html对应的文件夹,放在public文件夹中&…

Zephyr RTOS应用开发(nrf5340)

目录 概述 开发环境安装 创建一个新的Zephyr应用 构建应用并刷写到开发板 概述 Zephyr™项目是一个采用Apache 2.0协议许可,Linux基金会托管的协作项目。针对低功耗、小型内存微处理器设备开发的物联网嵌入式小型、可扩展的实时操作系统,支持多种硬件…

(八)【软件设计师】计算机系统—浮点数

浮点数 浮点数。当机器字长为n时,定点数的补码和移码可表示2的n方个数,而其原码和反码只能表示2"-1个数(0的表示占用了两个编码),因此,定点数所能表示的数值范围比较小,在运算中很容易因结果超出范围而…

JavaScript -- 对象

1. 概念 对象是 JavaScript 数据类型的一种,可以理解为是一种无序的数据集合 2. 对象的使用 2.1 对象的声明 let 对象名 {} let 对象名 new Object() 2.2 属性和方法 数据描述性的信息称为属性,如人的姓名、身高、年龄、性别等,一般是…

前端项目-12-个人中心-二级路由配置-导航守卫-懒加载

目录 1-个人中心 1.1-个人中心路由注册 1.2-拆分二级路由组件 1.3-动态渲染我的订单页面 2-导航守卫优化 2.1-用户未登录导航守卫优化 2.2-路由独享 2.3-组件内守卫 3-懒加载 3.1-图片懒加载 3.2-路由懒加载 4-map文件处理 1-个人中心 需求:当用户点击支…

DevOps实践分享:4个实施步骤与6个关键设计

本文介绍了普元DevOps平台在金融行业实施落地的常用方法,以及在项目管理,代码管理,构建管理,制品管理,部署管理等模块针对一些典型客户场景的关键设计。目 录01 平台简介‍‍02 实施方法‍‍‍‍‍‍03 关键设计01平…

OceanBase 4.1 发版 | 一个面向开发者的里程碑版本

欢迎访问 OceanBase 官网获取更多信息:https://www.oceanbase.com/ 2022 年 8 月,OceanBase发布了 4.0 版本(小鱼),作为业内首个单机分布式一体化架构,兼顾了分布式架构的扩展性和集中式架构的性能优势&…

算法:链表和数组哪个实现队列更快

背景 对于这个问题,我们先来思考一下数组和链表各有什么特点。 数组:连续存储,push 很快,shift 很慢。 链表:非连续存储,add、delete 都很快,但是查找很慢。 所以,我们可以得出结论…

TCP/UDP协议 (详解)

🎉🎉🎉点进来你就是我的人了 博主主页:🙈🙈🙈戳一戳,欢迎大佬指点!人生格言:当你的才华撑不起你的野心的时候,你就应该静下心来学习! 欢迎志同道合的朋友一起加油喔🦾&am…

49天精通Java,第26天,LinkedHashSet、LinkedHashMap、EnumSet、EnumMap

目录一、链接散列集LinkedHashSet二、链接散列映射LinkedHashMap三、枚举集EnumSet1、EnumSet2、枚举集可以用来实现一些特殊的功能,例如:3、枚举集的常用方法包括:四、枚举映射EnumMap1、EnumMap2、枚举映射可以用来实现一些特殊的功能&…

基于朴素贝叶斯分类器的钞票真伪识别模型

基于朴素贝叶斯分类器的钞票真伪识别模型 内容 本实验通过实现钞票真伪判别案例来展开学习朴素贝叶斯分类器的原理及应用。 本实验的主要技能点: 1、 朴素贝叶斯分类器模型的构建 2、 模型的评估与预测 3、 分类概率的输出 源码下载 环境 操作系统&#xf…

springboot学习2

一、spring boot自动装配原理 pom.xml spring-boot-dependencies 核心依赖在父工程中 在写或者引入一些spring boot依赖的时候&#xff0c;不需要指定版本&#xff0c;因为有这些版本仓库启动器 <dependency><groupId>org.springframework.boot</groupId>&…

数据结构刷题笔记 | 数组、字符串、链表、栈、队列、数、图

本篇为笔者学习数据结构时&#xff0c;在牛客网站的刷题笔记。 数组——长度固定 数组是一种对象&#xff0c;不属于原生类&#xff0c;数组的大小确定之后不可改变。【原生类指未被实例化的类&#xff0c;数组一般指实例化&#xff0c;被分配空间的类】数组常用的两种基本操作…

C#,码海拾贝(18)——矩阵的(一般)三角分解法(Triangular Decomposition)之C#源代码,《C#数值计算算法编程》源代码升级改进版

1 三角分解法 Triangular Decomposition 三角分解法亦称因子分解法&#xff0c;由消元法演变而来的解线性方程组的一类方法。设方程组的矩阵形式为Axb&#xff0c;三角分解法就是将系数矩阵A分解为一个下三角矩阵L和一个上三角矩阵U之积&#xff1a;ALU&#xff0c;然后依次解…

数字化体验时代,企业如何做好内部知识数字化管理

随着数字化时代的到来&#xff0c;企业内部的知识管理也面临着新的挑战和机遇。数字化技术的应用&#xff0c;可以极大地提高企业内部知识的数字化管理效率和质量&#xff0c;从而提升企业内部的工作效率、员工满意度和企业竞争力。本文将从数字化时代的背景出发&#xff0c;探…

大数据 | HBase基本工作原理

前文回顾&#xff1a;MapReduce基本原理 目录 &#x1f4da;HBase基本介绍 &#x1f407;HBase的设计目标和功能特点 &#x1f407;HBase在Hadoop中的生态环境 &#x1f4da;HBase的数据模型 &#x1f407;逻辑数据模型 &#x1f407;物理存储格式 &#x1f4da;HBase基…

使用golang连接kafka

1 下载&#xff0c;配置&#xff0c;启动 kafka 下载链接 配置修改 在config目录下的server文件和zookeeper文件&#xff0c;其中分别修改kafka的日志保存路径和zookeeper的数据保存路径。 启动kafka 先启动kafka自带的zookeeper&#xff0c;在kafka的根目录下打开终端&a…

教程 | 多通道fNIRS数据的预处理和平均(下)

前言 前文近红外数据的预处理和平均&#xff08;上&#xff09;提到fNIRS是一种评估氧和脱氧血红蛋白浓度变化的方法&#xff0c;可与fMRI相媲美。fNIRS的不足是它的空间分辨率比fMRI差&#xff0c;但其优点是有更高的时间分辨率&#xff0c;并允许测量无法通过fMRI扫描仪测试…