dc.description.abstract
Diese Dissertation stellt das neue Zufalls-Cluster-Modell ("Random-Cluster Model", RCM) vor, ein geometriebasiertes, stochastisches Modell für frequenzselektive, zeitvariante MIMO Funkkanäle.<br />Das RCM verwendet das Konzept von sogenannten Clustern, d.h. Gruppen von Ausbreitungspfaden, um die Ausbreitungsumgebung zu modellieren. Im RCM ist diese Umgebung ausschließlich durh die multivariate Verteilung der Clusterparameter, wie die Clusterposition, Clusterbewegung und Clusterdispersion, beschrieben. Dadurch können auch Korrelationen zwischen Clusterparametern einfach wiedergegeben werden.<br />Die bedeutendste Eigenschaft des RCM ist, dass es durch eine automatische Methode direkt aus Kanalmessungen parametrisiert wird.<br />Dadurch ist das RCM spezifisch bezüglich der Ausbreitungsumgebung. Es schließt damit die Lücke zwischen Kanalmessungen und Kanalmodellierung. Die Verwendung von Clustern reduziert die Komplexität der Modellparametrisierung. Verglichen mit einem einzelnen Ausbreitungspfad, der 6 Parameter pro modelliertem Zeitpunkt benötigt, wird ein Cluster nur durch 21 Parameter für seine gesamte Existenzdauer (mehrere Zeitpunkte) beschrieben. Da ein Cluster für gewöhlich aus 6 bis 20 Ausbreitungspfaden besteht, wird die Anzahl der Parameter erheblich verkleinert.<br />Natürlich muss die Clusterverteilung sorgfältig beschrieben werden. Die Identifikation von Clustern aus zeitvarianten MIMO Kanalmessungen bildet die Basis für eine konsistente Parametrisierung des RCM. Da die visuelle Clusteridentifizierung in hohem Maße subjektiv und mühsam in der Anwendung ist, habe ich mich auf das lang gehegte Ziel der automatischen Clusteridentifikation konzentriert. Diese Dissertation vergleicht die Anwendbarkeit unterschiedlicher Clusterindentifikationsmethoden auf Ausbreitungspfade, insbesondere visuelle Clusteridentifikation, hierarchische Identifikation, K-means Identifikation, und Gauss'sche Mischmodell-Identifikation. Letztendlich stelle ich ein neues, vollständiges System zur automatischen Identifikation und zum Verfolgen von Clustern vor, das auf folgenden Teilen basiert:<br />- einem Anfangswertschätzer, der Cluster so weit wie möglich separiert, - dem KPowerMeans-Algorithmus, eine Erweiterung des K-means Algorithmus, der die Leistung von Ausbreitungspfaden berücksichtigt und die Mehrdeutigkeit von Winkeln ausnützt, und - einem Kalman-Filter zum Verfolgen von Clustern.<br />Durch dieses System wird das RCM automatisch aus Messungen parametrisiert.<br />Um nichtdiskrete Anteile im MIMO Kanal zu berücksichtigen, bietet das RCM als erstes Kanalmodell eine Möglichkeit diffuse Mehrwegekomponenten ("diffuse multipath", DMP) zu modellieren.<br />Ich rege an, dass die Modellvalidierung eine wichtige Aufgabe darstellt, um ein Kanalmodell zu vollenden. Um das RCM zu validieren, vergleiche ich modellierte mit gemessenen Kanälen anhand von folgenden Validierungsmetriken:<br />(i) Transinformation, die, wie sich herausstellen wird, keine markante Validierungsmetrik ist, (ii) Diversität, (iii) die Demmel-Konditionsnummer der MIMO Kanalmatrizen, sowie (iv) die von mir erdachte Umgebungscharakterisierungsmetrik (``Environment Characterisation Metric'', ECM), die direkt diskrete Ausbreitungspfade im Kanal vergleicht.<br />Es stellt sich heraus, dass das RCM absolut geeignet ist, Kanäle zu simulieren, die gemessenen sehr ähnlich sind.<br />Um das endlose Bedürfnis nach Messungen zu stillen, habe ich eine MIMO Kanalmesskampagne an der Universität Oulu in Finnland durchgeführt. Ich habe insgesamt 28 Szenarien in drei verschiedenen Innenumgebungen gemessen: Büroräume, größere Räume, und einen große Halle. Um die Frequenzabhängigkeit der Modellparameter zu vergleichen, wurde jede Messroute jeweils bei 2.55 GHz und bei 5.25 GHz gemessen. Diese Dissertation enthält eine umfassende Dokumentation der Messkampagne.<br />
de