Decomposição tensorial aninhada acoplada aplicada a sistemas de comunicação MIMO duplamente polarizado

Abstract

Nos últimos anos, os sistemas MIMO (do inglês, Multiple-Input-Multiple-Output) massivos têm sido objeto de intensa pesquisa devido a seu grande potencial para fornecer eficiência energética, ganhos de taxa de dados e diversidade. Neste contexto, receptores semi-cegos baseados em tensores têm sido extensivamente estudados para sistemas MIMO. Esses recep tores nos permitem uma estimativa melhor do canal e dos símbolos sem qualquer informação a respeito do canal. Esta tese apresenta um modelo de sinais recebidos com base em de composições tensoriais que combinam uma extensão da codificação MKronST (do inglês, multiple Kronecker space-time) e um tensor do canal de ordem 5 para transmitir os símbolos. A extensão da codificação é baseada na combinação da codificação TST e codificação baseada nos múltiplos produtos de Kronecker das matrizes de símbolos (MSMKron), chamada de codificação TST-MSMKron. O canal é modelado com um arranjo uniforme retangular (do inglês, uniform rectangular array, URA) no transmissor e no receptor o que permite modelar o canal como um tensor. Mais especificamente, as contribuições teóricas desta tese estão em torno da proposição de novos receptores semi-cegos para estimar conjuntamente as matrizes de símbolo, os parâmetros de canal e o canal sem conhecimento a priori sobre eles. Na primeira parte desta tese é proposta uma decomposição baseada na seleção de colunas, chamada multidimensional CX, para tensores e um algoritmo é apresentado para estimar e reconstruir o tensor de dados. Na segunda parte desta tese, a codificação TST-MSMKron é apresentada para sistemas MIMO massivos, onde é proposto um modelo do sinal recebido que combina um canal de ordem 5 com a codificação TST-MSMKron. Este sistema nos permite modelar o sinal recebido como uma decomposição Nested-Tucker-PARAFAC (do ingês, parallel factor analysis). Além disso, os receptores semi-cegos em duas etapas são propostos para estimar em conjunto os símbolos, o canal e os parâmetros do canal. Em cada parte são fornecidas simulações de Monte Carlo para avaliar o desempenho dos algoritmos propostos. Os resultados mostram a eficiência dos algoritmos na reconstrução dos conjuntos de dados e estimativa conjunta dos símbolos, do canal e parâmetros do canal do sistema proposto, respectivamente.