Loading…
Wir betrachten das Problem der Akquirierung von Kanalzustandsinformationen an den Sendern von drahtlosen Netzwerken und entwickeln Feedbackverfahren und Sendestrategien für verschiedene Netzwerk Architekturen. Die entwickelten Verfahren werden analysiert und die Skalierung der Performance des Gesamtsystems anhand bestimmter Systemparameter bestimmt. Zuerst betrachten wir eine einzelne Zelle eines zellularen Systems und nehmen an, dass die Beamformingvektoren durch ein festes Codebuch vorgegeben sind. Wir entwickeln und analysieren ein neues Feedbackverfahren, dass Flexibilität und Robustheit vereint und dadurch effiziente und zuverlässige Kommunikation mit den Empfängern ermöglicht. Eine Analyse des Verfahrens zeigt, dass die Skalierung des Ratenverlustes durch quantisierte Kanalzustandsinformation besser ist als bei vergleichbaren Verfahren. Für das Feedbackverfahren wird ein spezieller Algorithmus entwickelt der es ermöglicht Codebücher für verschiedene Kanalmodelle zu generieren und zu optimieren. Die analytischen Ergebnisse werden durch Simulationen validiert und bestätigen einen Gewinn gegenüber vergleichbaren Verfahren.
Anschließend betrachten wir zellulare Systeme mit mehreren Zellen. Wir charakterisieren die Freiheitsgrade (degrees of freedom) unter verschiedenen Annahmen über das Kanalmodell. Des weiteren entwickeln wir verschiedene Algorithmen, die die optimalen Freiheitsgrade erreichen können. Anschließend wird ein Feedbackverfahren entwickelt, dass den Feedbackaufwand für die entwickelten Algorithmen signifikant reduziert. Wir analysieren eine breite Klasse von zellularen Systemen die beliebige koordinierte Sendestrategien verwenden. Für diese Klasse von Systemen leiten wir die Skalierung des Ratenverlustes relativ zum Feedbackaufwand her. Abschließend zeigen wir, wie die analytischen Ergebnisse auf das entwickelte Feedbackverfahren angewendet werden können.
Im letzten Kapitel entwickeln wir ein Framework, dass das Potenzial von Compressed Sensing nutzt um den Messaufwand und Feedbackaufwand in zellularen Systemen mit vielen Teilnehmern signifikant zu reduzieren. Das Framework ermöglicht es die Datenraten der Nutzer innerhalb gegebener Fehlerschranken zu schätzen. Grundlage ist neben Compressed Sensing ein neues Messverfahren, dass die Überlagerung von Signalen im Kanal nutzt, um zufällige nicht adaptive Messungen der Kanalkoeffizienten am Empfänger zu ermöglichen. Diese Messungen werden zu einer zentralen Steuereinheit übertragen und dort dekodiert. Wir analysieren die Genauigkeit der Rekonstruktion für einen linearen und einen nicht-linearen Dekodierer und leiten die Skalierung mit der Anzahl der Messungen her. Abschließend zeigen wir, wie der entwickelte Ansatz in zellularen Systemen angewendet werden kann.
We consider the problem of acquiring accurate channel state information at the transmitters of a wireless network. We develop different feedback and transmit strategies for different network architectures and analyze their performance. First, we consider a single cell of cellular system and assume that the beamforming vectors are given by a fixed transmit codebook. We develop and analyze a new feedback and transmit strategy which combines flexibility and robustness needed for efficient and reliable communication. We prove that it has better scaling properties compared to classical results on the limited feedback problem in the broadcast channel and that this benefit improves with an increasing number of transmit antennas. We show how feedback codebooks can be designed for different propagation environments. Link level and system level simulations sustain the analytic results showing performance gains of up to 50 % or 70 % compared to zeroforcing when using multiple antennas at the base station and multiple antennas or a single antenna at the terminals, respectively.
We characterize the degrees of freedom (i.e. the multiplexing gain) of multi-cellular systems under different assumptions on the channel model and for different system setups. We propose different algorithms that possibly achieve the optimal degrees of freedom. The first algorithm aims on aligning the interference at each receiver in a subspace of the available receive space. Our second algorithm aims on directly maximizing the signal-to-interference-plus-noise ratio (SINR) of all receivers. By allowing symbol extensions over time or frequency and including a user selection we are able to achieve the alignment of interference for many system setups and exploit multi-user diversity. For coordinated transmit strategies we find the scaling of the performance loss with the feedback load. A distributed interference alignment algorithm is introduced. The algorithm makes efficient use of quantized channel state information and significantly reduces the feedback overhead. We develop a framework that we call compressive rate estimation. To this end, we assume that the composite channel gain matrix (i.e. the matrix of all channel gains between all network nodes) is compressible which means it can be approximated by a sparse or low rank representation. We develop a sensing protocol that exploits the superposition principle of the wireless channel and enables the receiving nodes to obtain non-adaptive random measurements of columns of the composite channel matrix. The random measurements are fed back to a central controller who decodes the composite channel gain matrix (or parts of it) and estimates individual user rates. We analyze the rate loss for a linear and a non-linear decoder and find the scaling laws according to the number of non-adaptive measurements.
