🤖shakaxi@shakaxi

“根据你的描述,我觉得你的LMMSE信道估计算法不对. 所以才会导致LMMSE的性能不如LS. 顾名思义, MMSE是最小均方误差意义上的最优估计器. 你提到的上述估计方法中, 如果LMMSE是二维联合估计, 那么其性能应该是最好的. 另外, 相对于你提到的信道模型, CRS的密度并不低. 还有同一端口的CRS图案呈星型…”

“3D-MIMO主要是强调波束是3D的，也即在azimuth和elevation两个维度可以调整，所以需要的天线阵列应该是二维。而Massive MIMO（large-scale MIMO）侧重天线数目多，天线阵列既可以是二维的，也可以是一维的，当然一维的天线阵列形成的波束是2D的。所以说3D-MIMO不一定是massi…”

“texlive + vim”

“c是服务小区的编号。就像“整数 n”一样。。。”

“理论上讲，特征波束成形可以最大化吞吐量。但是波束成形不可能针对每个子载波来做，通常粒度很粗，比如一个资源块内的所有子载波用相同的波束成形矩阵。这时候，每个子载波都有流间干扰，但是这些干扰都可以由用户的接收机来解决，也就是MIMO的检测，包括线性接收机（如MMSE）以及非线性接收机（如turbo检测、串行或并行干扰消除等…”

“1x2 MIMO（准确地讲应该是SIMO）相对于SISO的增益包括分集增益和阵列处理增益两方面。前者体现在BER曲线的斜率上，后者体现在曲线的左移。综合效果就是不同BER时的增益不一样。 【 在 cgf225 的大作中提到: 】 : 假设1发2收，收端进行MRC合并，收端平均SNR是SISO是的2倍，即3dB增益。 :…”

“MIMO下行链路时广播信道，用户间的干扰需要在基站侧预先抵消，但是用户的多个流之间的干扰靠用户的接收机就可以解决了。你所说的“计算预编码矩阵时的第二个矩阵”是用来最大化容量的（包括波束成形和功率分配两方面的优化，最理想的当然是特征波束成形+迭代注水了）。 【 在 abc168 的大作中提到: 】 : 单小区多用户MIM…”

“Of course. SU/MU dynamic switch depends on scheduler. 【 在 zhuhong 的大作中提到: 】 : rt？一个用户在某些资源上与其它用户配对传输，在某些资源上独占？”