Parametrisk karakterisering og estimering for spredende multi-komponenter af SAGE i en radio udbredelses kanal
Translated title
Parametric Characterization and Estimation of Dispersive Multi-Components with SAGE in Radio Propagation Channel
Authors
Liu, Lingfeng ; Nielsen, Daniel Klokmose
Term
10. term
Education
Publication year
2007
Pages
116
Abstract
Dette projekt udvikler og estimerer en parametrisk model for en radioudbredelseskanal, som beskriver både typiske (nominelle) værdier og spredning (dispersion) af signalers retninger og forsinkelser. DoA (Direction of Arrival) og DoD (Direction of Departure) angiver, hvor et radiosignal kommer fra eller sendes til, og forsinkelse er rejsetiden for de enkelte signalveje. Vi udleder en samlet model, der anvender en FB5-fordeling sammen med en trunkeret gaussisk fordeling, og vi præsenterer også en approksimeret model baseret på en multivariat trunkeret gaussisk fordeling. Begge modeller bygger på princippet om maksimal entropi og er dermed så lidt forudindtagede som muligt givet de kendte begrænsninger. For at tilpasse modellerne approksimerer vi maksimum-likelihood-estimatoren med SAGE-algoritmen, en iterativ procedure der kræver en hensigtsmæssig udformning af datarum og omhyggelig initialisering. Vi undersøger både tidvarierende og tidinvariante kanaler og anvender syntetiske og målte data til at vurdere ydeevne og validere de foreslåede modeller. SAGE-estimatoren fungerer som forventet, og resultaterne er i overensstemmelse med andre estimationsmetoder.
This project develops and estimates a parametric model for a radio propagation channel that captures both typical (nominal) values and the spread (dispersion) of signal directions and delays. Direction of Arrival (DoA) and Direction of Departure (DoD) describe where a radio signal comes from or goes to, and delay is the travel time along each path. We derive a joint model that uses an FB5 distribution together with a truncated Gaussian, and we also present an approximate model based on a multivariate truncated Gaussian. Both models follow the maximum entropy principle, making them as unbiased as possible given the available constraints. To fit the models, we approximate the maximum likelihood estimator with the SAGE algorithm, an iterative procedure that depends on a suitable design of data spaces and careful initialization. We study both time-varying and time-invariant channels, using synthetic and measured data to evaluate performance and validate the proposed models. The SAGE estimator operates as intended, and the results are consistent with those from other estimators.
[This abstract was generated with the help of AI]
Documents