UPA/URA双极化天线的协方差矩阵结构

news2024/12/23 8:58:03

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 d H d_H dH,垂直(Vertical)方向的天线间距为 d V d_V dV,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 ) , ( d H , 0 , 0 ) , ( r cos ⁡ ϕ sin ⁡ θ + d H , r cos ⁡ ϕ cos ⁡ θ , r sin ⁡ 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
O A = d H O B = ∣ ( r cos ⁡ ϕ sin ⁡ θ + d H , r cos ⁡ ϕ cos ⁡ θ , r sin ⁡ ϕ ) ∣ A B = 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 ⁡ ∠ O A B = ∣ A B ∣ 2 + ∣ O A ∣ 2 − ∣ O B ∣ 2 2 ∣ A B ∣ ⋅ ∣ O A ∣ = r 2 + d H 2 − ( r 2 + d H 2 + 2 d H r cos ⁡ ϕ sin ⁡ θ ) 2 r d H = cos ⁡ ϕ sin ⁡ 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:
Δ H = d H cos ⁡ ∠ O A B = d H cos ⁡ ϕ sin ⁡ 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
Δ V = d V sin ⁡ 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 ) N H + v ( ϕ , θ ) = 2 π λ [ ( u − 1 ) d V sin ⁡ ϕ + ( v − 1 ) d H cos ⁡ ϕ sin ⁡ 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 ≤ N V , 1 ≤ v ≤ N H 1 \leq u \leq N_V, 1 \leq v \leq N_H 1uNV,1vNH

为了与论文[1]的符号对齐,这里我们令
cos ⁡ θ 1 = sin ⁡ ϕ sin ⁡ θ 2 = sin ⁡ θ \begin{aligned} \cos \theta_1 &= \sin \phi \\ \sin \theta_2&= \sin \theta \end{aligned} cosθ1sinθ2=sinϕ=sinθ

θ = ( θ 1 , θ 2 ) T \boldsymbol \theta = (\theta_1, \theta_2)^T θ=(θ1,θ2)T,这时UPA阵列响应向量中含相位的项为
e j Ψ ( θ ) : = [ e j Ψ 1 ( θ ) , e j Ψ 2 ( θ ) , ⋯   , e j Ψ N V N H ( θ ) ] T ∈ C N V N H × 1 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 \in \mathbb C^{N_V N_H \times 1} ejΨ(θ):=[ejΨ1(θ),ejΨ2(θ),,ejΨNVNH(θ)]TCNVNH×1

其中:
Ψ ( u − 1 ) N H + v ( θ ) = 2 π λ [ ( u − 1 ) d V cos ⁡ θ 1 + ( v − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] ,    1 ≤ u ≤ N V , 1 ≤ v ≤ N H \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):
a V ( θ ) = a V ( θ ) e j Ψ ( θ ) ∈ C N V N H × 1 a H ( θ ) = a H ( θ ) e j Ψ ( θ ) ∈ C N V N H × 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 a V ( θ ) , a H ( θ ) ∈ R a_V(\boldsymbol \theta),a_H(\boldsymbol \theta) \in \mathbb R aV(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
a V ( θ ) = [ a V , 1 ( θ ) a V , 2 ( θ ) ] ⊗ e j Ψ ( θ ) ∈ C 2 N V N H × 1 a H ( θ ) = [ a H , 1 ( θ ) a H , 2 ( θ ) ] ⊗ e j Ψ ( θ ) ∈ C 2 N V N H × 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 a V , 1 , a V , 2 ∈ R a_{V,1},a_{V,2} \in \mathbb R aV,1,aV,2R分别表示垂直方向上, + 45 ° +45 \degree +45° − 45 ° -45 \degree 45°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 = ∫ Ω ρ V ( θ ) a V ( θ ) a V H ( θ ) d θ + ∫ Ω ρ H ( θ ) a H ( θ ) a H H ( θ ) d θ ∈ C 2 N V N H × 2 N V N H \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 a V ( θ ) a V H ( θ ) \boldsymbol a_V(\boldsymbol \theta) \boldsymbol a_V^H(\boldsymbol \theta) aV(θ)aVH(θ)
a V ( θ ) a V H ( θ ) = ( [ a V , 1 ( θ ) a V , 2 ( θ ) ] ⊗ e j Ψ ( θ ) ) ( [ a V , 1 ( θ ) a V , 2 ( θ ) ] ⊗ e j Ψ ( θ ) ) H = ( [ a V , 1 ( θ ) a V , 2 ( θ ) ] ⊗ e j Ψ ( θ ) ) ( [ a V , 1 ( θ ) a V , 2 ( θ ) ] T ⊗ ( e j Ψ ( θ ) ) H ) = [ a V , 1 2 ( θ ) a V , 1 ( θ ) a V , 2 ( θ ) a V , 2 ( θ ) a V , 1 ( θ ) a V , 2 2 ( θ ) ] ⊗ ( e j Ψ ( θ ) ( e j Ψ ( 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 ∈ C 2 N V N H × 2 N V N H \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 = [ B 1 B 2 H B 2 B 3 ] ∈ C 2 N V N H × 2 N V N H \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 B 1 , B 2 , B 3 ∈ C N V N H × N V N H \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 e j Ψ ( θ ) ( e j Ψ ( θ ) ) H ∈ C N V N H × N V N H e^{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 e j Ψ ( θ ) e^{j \boldsymbol \Psi(\boldsymbol \theta)} ejΨ(θ)的表达式:
e j Ψ ( θ ) = [ e j Ψ 1 ( θ ) , e j Ψ 2 ( θ ) , ⋯   , e j Ψ N V N H ( θ ) ] T Ψ ( u − 1 ) N H + v ( θ ) = 2 π λ [ ( u − 1 ) d V cos ⁡ θ 1 + ( v − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] \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 u 0 ∈ { 1 , ⋯   , N V } u_0 \in \{1,\cdots,N_V\} u0{1,,NV},取子向量 ( e j Ψ k ( θ ) : k = ( u 0 − 1 ) N H + v , v = 1 , ⋯   , N H ) ∈ C N H × 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
∣ u 0 ⟩ = ( e j Ψ k ( θ ) : k = ( u 0 − 1 ) N H + v , v = 1 , ⋯   , N H ) ∈ C N H × 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 e j Ψ ( θ ) ( e j Ψ ( θ ) ) H ∈ C N V N H × N V N H e^{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
e j Ψ ( θ ) ( e j Ψ ( θ ) ) H = [ ∣ 1 ⟩ ⟨ 1 ∣ ∣ 1 ⟩ ⟨ 2 ∣ ∣ 1 ⟩ ⟨ 3 ∣ ⋯ ∣ 1 ⟩ ⟨ N V ∣ ∣ 2 ⟩ ⟨ 1 ∣ ∣ 2 ⟩ ⟨ 2 ∣ ∣ 2 ⟩ ⟨ 3 ∣ ⋯ ⋮ ∣ 3 ⟩ ⟨ 1 ∣ ∣ 3 ⟩ ⟨ 2 ∣ ∣ 3 ⟩ ⟨ 3 ∣ ⋯ ∣ N V − 1 ⟩ ⟨ N V ∣ ⋮ ⋮ ⋮ ⋱ ∣ N V − 1 ⟩ ⟨ N V ∣ ∣ N V ⟩ ⟨ 1 ∣ ⋯ ∣ N V ⟩ ⟨ N V − 2 ∣ ∣ N V ⟩ ⟨ N V − 1 ∣ ∣ N V ⟩ ⟨ N V ∣ ] 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 ∣ , ⋯   , ∣ N V ⟩ ⟨ 1 ∣ |1\rangle \langle 1|, |2\rangle \langle 1|, \cdots, |N_V\rangle \langle 1| ∣11∣,∣21∣,,NV1∣即可

u 0 = 1 u_0=1 u0=1
∣ 1 ⟩ ⟨ 1 ∣ = [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] 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)dHsinθ1sinθ2 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2 H

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

u 0 > 1 u_0 > 1 u0>1
∣ u 0 ⟩ ⟨ 1 ∣ = ( e j 2 π λ ( u 0 − 1 ) d V cos ⁡ θ 1 [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] ) [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] H = e j 2 π λ ( u 0 − 1 ) d V cos ⁡ θ 1 [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] H \begin{aligned} |u_0 \rangle \langle 1| &=\left ( e^{j \frac{2\pi}{\lambda}(u_0-1)d_V \cos \theta_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] \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 \cos \theta_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 \end{aligned} u01∣= ejλ2π(u01)dVcosθ1 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2 H=ejλ2π(u01)dVcosθ1 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2 H

注意到,无论是 ∣ 1 ⟩ ⟨ 1 ∣ |1\rangle \langle 1| ∣11∣还是 ∣ u 0 ⟩ ⟨ 1 ∣ , u 0 > 1 |u_0 \rangle \langle 1|,u_0 > 1 u01∣,u0>1,大家都有一个公共的Toeplitz结构,即
[ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] [ 1 e j 2 π λ d H sin ⁡ θ 1 sin ⁡ θ 2 e j 2 π λ 2 d H sin ⁡ θ 1 sin ⁡ θ 2 ⋮ e j 2 π λ ( N H − 1 ) d H sin ⁡ θ 1 sin ⁡ θ 2 ] H = [ α 1 α 2 ∗ ⋯ α N H ∗ α 2 α 1 ⋱ ⋮ ⋮ ⋱ ⋱ α 2 ∗ α N H ⋯ α 2 α 1 ] ∈ C N H × N H \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)dHsinθ1sinθ2 1ejλ2πdHsinθ1sinθ2ejλ2π2dHsinθ1sinθ2ejλ2π(NH1)dHsinθ1sinθ2 H= α1α2αNHα2α1α2αNHα2α1 CNH×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:
考虑协方差矩阵
R = [ B 1 B 2 H B 2 B 3 ] ∈ C 2 N V N H × 2 N V N H \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 B 1 , B 2 , B 3 ∈ C N V N H × N V N H \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
B l = [ B l , 1 B l , 2 H B l , 3 H ⋯ B l , N V H B l , 2 B l , 1 B l , 2 H ⋱ ⋮ B l , 3 B l , 2 B l , 1 ⋱ B l , 3 H ⋮ ⋱ ⋱ ⋱ B l , 2 H B l , N V ⋯ B l , 3 B l , 2 B l , 1 ] ∈ C N V N H × N V N H \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,1 CNVNH×NVNH

其中

B l , 1 = β ⋅ [ α 1 α 2 ∗ ⋯ α N H ∗ α 2 α 1 ⋱ ⋮ ⋮ ⋱ ⋱ α 2 ∗ α N H ⋯ α 2 α 1 ] ∈ C N H × N H , 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=β α1α2αNHα2α1α2αNHα2α1 CNH×NH,βR

B l , u 0 = β ⋅ e j 2 π λ ( u 0 − 1 ) d V cos ⁡ θ 1 ⋅ [ α 1 α 2 ∗ ⋯ α N H ∗ α 2 α 1 ⋱ ⋮ ⋮ ⋱ ⋱ α 2 ∗ α N H ⋯ α 2 α 1 ] ∈ C N H × N H , β ∈ R , u 0 > 1 \boldsymbol{B}_{l,u_0} = \beta \cdot e^{j \frac{2\pi}{\lambda}(u_0-1)d_V \cos \theta_1} \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)dVcosθ1 α1α2αNHα2α1α2αNHα2α1 CNH×NH,βR,u0>1

  • B l , 1 \boldsymbol{B}_{l,1} Bl,1的自由度为 N H N_H NH
  • B l , u 0 , u 0 > 1 \boldsymbol{B}_{l,u_0}, u_0 > 1 Bl,u0,u0>1的自由度为 N H + N H − 1 N_H+N_H-1 NH+NH1

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.coloradmin.cn/o/417470.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

【springcloud 微服务】Spring Cloud 微服务网关Gateway使用详解

目录 一、微服务网关简介 1.1 网关的作用 1.2 常用网关 1.2.1 传统网关 1.2.2 云原生网关 二、gateway网关介绍 2.1 问题起源 2.2 引发的问题 2.2.1 重复造轮子 2.2.2 调用低效 2.2.3 重构复杂 2.3 gateway改进 三、Spring Cloud Gateway 介绍 3.1 Gateway 概述 …

【JSON学习笔记】3.JSON.parse()及JSON.stringify()

前言 本章介绍JSON.parse()及JSON.stringify()。 JSON.parse() JSON 通常用于与服务端交换数据。 在接收服务器数据时一般是字符串。 我们可以使用 JSON.parse() 方法将数据转换为 JavaScript 对象。 语法 JSON.parse(text[, reviver])参数说明: text:必需&…

Angular可视化指南 - 用Kendo UI图表组件创建数据可视化

Kendo UI for Angular是专业级的Angular UI组件库,不仅是将其他供应商提供的现有组件封装起来,telerik致力于提供纯粹高性能的Angular UI组件,而无需任何jQuery依赖关系。无论您是使用TypeScript还是JavaScript开发Angular应用程序&#xff0…

【机器学习(二)】线性回归之梯度下降法

文章目录专栏导读1、梯度下降法原理2、梯度下降法原理代码实现3、sklearn内置模块实现专栏导读 ✍ 作者简介:i阿极,CSDN Python领域新星创作者,专注于分享python领域知识。 ✍ 本文录入于《数据分析之术》,本专栏精选了经典的机器…

1漏洞发现

漏洞发现-操作系统之漏洞探针类型利用修复 一、操作系统漏洞思维导图 相关名词解释: CVSS(Common Vulnerability Scoring System,即“通用漏洞评分系统”) CVSS是安全内容自动化协议(SCAP)的一部分通常C…

rockchip rk3588添加uvc及uvc,adb的复合设备

软硬件环境: 软件基础:我目前拿到的rk3588 sdk :gitwww.rockchip.com.cn:2222/Android_S/rk3588- manifests.git硬件基础:RK3588 LP4X EVB uvc_app: 从rv1126 sdk中rv1126_sdk/rv1126/external/uvc_app 目录移植而来。移植后&…

能翻译大量文字的软件-正规的翻译软件

复制自动翻译软件是一种能够复制并自动翻译文本的工具。当您阅读某一种语言的文本时,这种软件可以快速识别并翻译出来,以方便您更好地理解内容。与其他翻译软件不同的是,复制自动翻译软件可以直接在游览网站的过程中,直接对用户正…

【C++】命名空间,缺省参数,函数重载,引用,内联函数

目录1. 命名空间2. 输入输出3. 缺省参数4. 函数重载为什么C支持函数重载?5. 引用5.1 引用作函数参数(输出型参数)5.2 作函数的返回值关于函数的返回值:5.3 引用权限关于类型转换:5.4 引用和指针6. 内联函数6.1 C推荐的…

【千题案例】TypeScript获取两点之间的距离 | 中点 | 补点 | 向量 | 角度

我们在编写一些瞄准、绘制、擦除等功能函数时,经常会遇到计算两点之间的一些参数,那本篇文章就来讲一下两点之间的一系列参数计算。 目录 1️⃣ 两点之间的距离 ①实现原理 ②代码实现及结果 2️⃣两点之间的中点 ①实现原理 ②代码实现及结果 3…

JUC结构

JUC是java.util.concurrent包的简称在Java5.0添加,目的就是为了更好的支持高并发任务。让开发者进行多线程编程时减少竞争条件和死锁的问题!进程与线程的区别:进程 : 一个运行中的程序的集合; 一个进程往往可以包含多个线程,至少包含一个线程…

count、sum、avg、max、min函数MySQL数据库 - 使用聚合函数查询(头歌实践教学平台)

文章目的初衷是希望学习笔记分享给更多的伙伴,并无盈利目的,尊重版权,如有侵犯,请官方工作人员联系博主谢谢。 目录 第1关:COUNT( )函数 任务描述 相关知识 COUNT()函数基本使用 编程要求 第2关:SUM(…

3.Java运算符

Java运算符 运算符基本分为六类:算数运算符、赋值运算符、关系运算符、逻辑运算符、位运算符、三元(条件)运算符。 一、算术运算符 算数运算符,是指在Java运算中,计算数值类型的计算符号,既然是操作数值…

ubuntu下安装与配置samba

参考文章: https://blog.csdn.net/xurongxin2006/article/details/127740629 https://blog.csdn.net/weixin_42758707/article/details/129855529 https://www.linuxidc.com/Linux/2018-11/155466.htm https://blog.csdn.net/flyingcys/article/details/50673167 1、…

SGD,Adam,AdamW,LAMB优化器

一. SGD,Adam,AdamW,LAMB优化器 优化器是用来更新和计算影响模型训练和模型输出的网络参数,使其逼近或达到最优值,从而最小化(或最大化)损失函数。 1. SGD 随机梯度下降是最简单的优化器,它采用了简单的…

Qt音视频开发37-识别鼠标按下像素坐标

一、前言 在和视频交互过程中,用户一般需要在显示视频的通道上点击对应的区域,弹出对应的操作按钮,将当前点击的区域或者绘制的多边形区域坐标或者坐标点集合,发送出去,通知其他设备进行处理。比如识别到很多人脸&…

使用 gzip 压缩数据

gzip 是GNU/Linux平台下常用的压缩软件,处理后缀名.gz的文件。 gzip 、 gunzip 和 zcat 都可以处理这种格式的。但这些工具只能压缩/解压缩单个文件或数据流,无法直接归档目录和多个文件。但是, gzip 可以同tar 和 cpio 这类归档工具配合使用…

JavaWeb——网络的基本概念

目录 一、IP地址 1、定义 2、格式 (1)、A类地址 (2)、B类地址 (3)、C类地址 (4)、特殊地址 二、端口号 三、协议 四、协议分层 1、定义 2、分类 (1&#xf…

pytorch进阶学习(六):如何对训练好的模型进行优化、验证并且对训练过程进行准确率、损失值等的可视化,新手友好超详细记录

课程资源: 7、模型验证与训练过程可视化【小学生都会的Pytorch】【提供源码】_哔哩哔哩_bilibili 推荐与上一节笔记搭配食用~: pytorch进阶学习(五):神经网络迁移学习应用的保姆级详细介绍,如何将训练好…

给boss直聘的搜索结果加上hr活跃状态,少看点半年活跃的岗位,有书签版,油猴版

背景:这段时间找工作,无奈大环境不好,所在城市大部分公司都投了。就是没几个回复的,要么送达,要么已读不回,要么拿了简历没见邀约。然后boss为了争取我们多浏览网站,把一些陈年老醋也拿上台面&a…

企业云盘如何实现文件共享?

企业文件共享的方式有很多,最常见的就是使用第三方企业云盘工具进行文件实时共享,这种方法不仅方便安全,而且兼容性高。 企业云盘主要是通过建立企业内部共享文件夹进行文件分享,支持通过权限管控来保障文件的安全,管理…