MassiveMIMO多用户信道协方差矩阵函数值获取方法及装置与流程

本申请实施例涉及通信技术领域，更具体的涉及Massive MIMO多用户信道协方差矩阵函数值获取方法及装置。

背景技术：

MIMO(Multiple-Input Multiple-Output，多输入多输出系统)技术指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收。发射端与接收端之间的无线信道具有时变的特性，易受到传播环境等多方面因素的影响，如阴影衰落和频率选择性衰落等等，使得发射端和接收端之间的信号传播路径非常复杂。为了能在接收端准确的恢复发射端的发送信号，需要进行精确的信道估计。因此，信道估计是实现无线通信的一项关键技术。能否获得详细的信道信息，从而在接收端正确地解调出发射信号，是衡量一个无线通信系统性能的重要指标。

Massive(大型)MIMO与MIMO的不同之处主要在于，在发射端和接收端的基站安装几百根天线，从而实现几百根天线同时发数据。且基站中的天线趋于很多(例如无穷)时，信道之间趋于正交。

目前Massive MIMO的信道估计方法主要包括盲估计和基于导频估计方法，其中基于导频估计方法是在发送有用数据中插入收发两端预知的导频信号，根据接收到的导频信号来获得信道信息。由于承载导频信号的导频序列的长度是有限的，因而每个用户发送的导频序列长度必然有限，由于Massive MIMO中用户数量很大，所以有限长度的导频序列使得相邻小区之间必须重复使用相同的导频序列，或者使用相互非正交的导频序列。因而在上行链路传输过程中，当根据用户发送的导频序列对信道进行估计时，该导频序列会受到相邻小区在相同时频资源块上发送的导频序列的干扰，即导频污染，从而影响基站对信道的精确估计。为了避免导频污染，基于贝叶斯准则，推到出贝叶斯信道估计器，该贝叶斯信道估计器可以有效消除导频污染。

贝叶斯信道估计器为：其中，G^BAY为各用户相应的信道响应矢量，Y为目标小区基站接收到的多用户上行传输信号矢量；R_G为包含各用户的信道协方差矩阵函数的矩阵；σ²为白噪声功率；I_KML、I_M均为单位矩阵。根据贝叶斯信道估计器可知，想要得到去导频污染的信道估计，即信道响应矢量G^BAY，则需要得到所有用户的信道方差矩阵函数的值。

因此，需要一种应用于Massive MIMO的多用户的信道方差矩阵函数的值的获取方法。

技术实现要素：

有鉴于此，本发明提供了一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法及装置，以克服现有技术中急需需要一种用户的信道方差矩阵函数的值的获取方法的问题。

为实现上述目的，本发明提供如下技术方案：

一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法，包括：

从多用户信道协方差矩阵函数中，确定目标多用户信道协方差矩阵函数，所述多用户信道协方差矩阵函数为Q个用户的信道协方差矩阵函数之和，所述目标多用户信道协方差矩阵函数为Q个用户中的D个用户的信道协方差矩阵函数之和，其中，D小于等于Q，Q为大于等于1的正整数，D为大于等于1的正整数；

获得目标多用户信道协方差矩阵函数的特征向量以及特征值矩阵，特征值矩阵中各特征值与相应用户的信道角度功率谱的函数值正相关，特征向量中各列基关联有相应用户到目标基站的所有路径相应的到达角度；

从所述特征值矩阵中获得大于预设门限阈值的最大特征值，所述最大特征值对应第i用户，i为大于等于1的正整数；

依据所述最大特征值相应的到达角θ_i,ini以及预先设置的信道角度功率谱的最大半窗宽度Δ_max，确定所述最大特征值相应的变宽移动搜索窗的搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]，其中，所述变宽移动搜索窗用于获取所述最大特征值相应的信道角度功率谱中函数值大于零的到达角范围；

依据所述变宽移动搜索窗的搜索范围，确定所述特征向量中与所述搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]相应的各列基的列数为[m_i,ini-m'_max,m_i,ini+m'_max]，其中，到达角θ_i,ini对应所述特征向量中第m_i,ini列基，到达角θ_i,ini-2Δ_max对应所述特征向量中第m_i,ini-m'_max列基，到达角θ_i,ini+2Δ_max对应所述特征向量中第m_i,ini+m'_max列基；

依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，所述最优窗宽2Δ_i中各到达角对应的所述最大特征值相应的信道角度功率谱中函数值大于零；

依据所述最优中心位置θ_i以及所述最优窗宽2Δ_i，获得第i用户的信道协方差函数的估计值。

一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置，包括：

第一确定模块，用于从多用户信道协方差矩阵函数中，确定目标多用户信道协方差矩阵函数，所述多用户信道协方差矩阵函数为Q个用户的信道协方差矩阵函数之和，所述目标多用户信道协方差矩阵函数为Q个用户中的D个用户的信道协方差矩阵函数之和，其中，D小于等于Q，Q为大于等于1的正整数，D为大于等于1的正整数；

第一获取模块，用于获得目标多用户信道协方差矩阵函数的特征向量以及特征值矩阵，特征值矩阵中各特征值与相应用户的信道角度功率谱的函数值正相关，特征向量中各列基关联有相应用户到目标基站的所有路径相应的到达角度；

第二获取模块，用于从所述特征值矩阵中获得大于预设门限阈值的最大特征值，所述最大特征值对应第i用户，i为大于等于1的正整数；

第二确定模块，用于依据所述最大特征值相应的到达角θ_1,ini以及预先设置的信道角度功率谱的最大半窗宽度Δ_max，确定所述最大特征值相应的变宽移动搜索窗的搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]，其中，所述变宽移动搜索窗用于获取所述最大特征值相应的信道角度功率谱中函数值大于零的到达角范围；

第三确定模块，用于依据所述变宽移动搜索窗的搜索范围，确定所述特征向量中与所述搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]相应的各列基的列数为[m_i,ini-m'_max,m_i,ini+m'_max]，其中，到达角θ_i,ini对应所述特征向量中第m_i,ini列基，到达角θ_i,ini-2Δ_max对应所述特征向量中第m_i,ini-m'_max列基，到达角θ_i,ini+2Δ_max对应所述特征向量中第m_i,ini+m'_max列基；

第三获取模块，用于依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，所述最优窗宽2Δ_i中各到达角对应的所述最大特征值相应的信道角度功率谱中函数值大于零；

第四获取模块，用于依据所述最优中心位置θ_i以及所述最优窗宽2Δ_i，获得第i用户的信道协方差函数的估计值。

经由上述的技术方案可知，与现有技术相比，本发明实施例提供了一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法中，获取目标多用户信道协方差矩阵函数的特征向量以及特征值矩阵，从特征值矩阵中获得大于预设门限阈值的最大特征值，最大特征值相应的到达角θ_i,ini最接近相应的信道角度功率谱的中心位置；然后依据到达角θ_i,ini以及预先设置的信道角度功率谱的最大半窗宽度Δ_max，确定最大特征值相应的变宽移动搜索窗的搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]，依据变宽移动搜索窗的搜索范围，确定特征向量中与搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]相应的各列基的列数为[m_i,ini-m'_max,m_i,ini+m'_max]，依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，其中，最优窗宽2Δ_i中各到达角对应的最大特征值相应的信道角度功率谱中函数值大于零；依据最优中心位置θ_i以及所述最优窗宽2Δ_i，获得第i用户的信道协方差函数的估计值。从而计算出了用户的信道协方差函数的估计值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法的流程示意图；

图2为本申请实施例提供的两个用户的特征值分布示意图；

图3为本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法中的从所述多用户信道协方差矩阵中确定目标多用户信道协方差矩阵函数的一种实现方式的方法流程示意图；

图4至图7，为本申请实施例提供L＝2，Q＝2时各信道方差矩阵函数值估计算法相应的信道估计均方误差的对比图；

图8至图9，为本申请实施例提供的L＝2，Q＝2时各信道方差矩阵函数值估计算法相应的平均误码率比对图；

图10至图13，为本申请实施例提供的L＝4，Q＝4时各信道方差矩阵函数值估计算法相应的信道估计均方误差的对比图；

图14为本申请实施例提供的L＝4，Q＝4时各信道方差矩阵函数值估计算法相应的平均误码率比对图；

图15为本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，为本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法的流程示意图，该方法包括：

步骤S101：从多用户信道协方差矩阵函数中，确定目标多用户信道协方差矩阵函数。

所述多用户信道协方差矩阵函数为Q个用户的信道协方差矩阵函数之和，所述目标多用户信道协方差矩阵函数为Q个用户中的D个用户的信道协方差矩阵函数之和，其中，D小于等于Q，Q为大于等于1的正整数，D为大于等于1的正整数。

假设共有L个小区，每个小区配置有一个基站，且每个基站包括M根MIMO天线，每一小区的用户均为单天线用户，则多个用户同时向目标小区j的目标基站j发送的多用户上行传输信号Y_j表达式为：

其中，Y_j为τ×M维矩阵，τ为上行传输导频序列个数，h_l为K×M维矩阵，行向量[h_l]_k,:＝h_lk，h_lk为小区l的第k个用户到目标小区j的目标基站的M根MIMO天线的小尺度衰落系数，Z_j为白噪声矩阵。[D_l]_kk＝g_lk，D_l为小区l的第k个用户到目标小区j的目标基站的K×K维对角矩阵，[D_l]_kk＝g_lk为小区l的第k个用户到目标小区j的目标基站的大尺度衰落系数。G_l为信道响应矢量。对于导频序列，S_l为小区l内的用户发送τ×K维导频矩阵，S_l中第k列表示第k个用户发送的导频序列，假设S_l中各列导频序列正交，当小区l对应的S_l与小区l'对应的S_l'存在列向量相同的情况，则便产生了导频污染。

h_lk采用路径叠加形式：

其中，P为小区l的第k个用户到目标小区j的目标基站的路径总数；θ_lkp为每一路径的到达角，θ_lkp的概率密度函数为PAS(power Azimuth Spectrum，信道角度功率谱)；表示第p个路径的合成振幅，它是多普勒频率及初始相位的函数；f_lkp表示多普勒频率；表示初始相位；β_lkp(t)的叠加反映了时域的衰落特性；假设Massive MIMO阵列为线性阵列(ULA)，则天线阵列响应矢量a(θ)为:

其中，M为基站的MIMO天线总数，d为天线间距离，λ为波长。

因此，公式(1)可以表达为以下扩展矩阵形式：

Y＝GS+Z (5)

其中，G是一个KML维行向量，第n＝(k-1)M+MK(l-1)+m个元素[G]_n表示小区l中第k个用户到目标小区j的目标基站的第m根天线的信道响应。S是一个KML×τM维向量：

I_M为单位矩阵。

基于贝叶斯准则，推导了贝叶斯信道估计器，它可以有效消除导频污染：

其中，R_G＝E(G^HG)中各元素为相应用户的信道协方差矩阵函数。

根据公式(7)可知，想要得到去导频污染的多用用户信道估计，则需要得到各用户的信道方差矩阵函数。

为分析上行导频污染场景，假设小区1至小区L中共有Q个用户同时使用相同的导频向目标小区j发送信号，则多用户信道协方差矩阵函数可表示为：

式中，p(θ；ψ_i)表示第i个用户的PAS，与信道中散射体分布相关，σ²为白噪声功率。向量ψⁱ＝[θ_i,Δ_i]表示与PAS相关的参数，包含平均到达角θ_i与角度扩展Δ_i。

由公式(8)可知，当基站包含的MIMO天线数M→∞时，多用户信道协方差矩阵函数可可以写成关于M的离散形式：

其中，θ_m＝-π/2+mπ/M。

步骤S102：获得目标多用户信道协方差矩阵函数的特征向量以及特征值矩阵。

特征值矩阵中各特征值与相应用户的信道角度功率谱的函数值正相关，特征向量中各列基关联有相应用户到目标基站的所有路径相应的到达角度。

步骤S103：从所述特征值矩阵中获得大于预设门限阈值的最大特征值。

所述最大特征值对应第i用户，i为大于等于1的正整数。

由于特征值矩阵中各特征值与相应用户的信道角度功率谱的函数值正相关，而信道角度功率谱一般符合某种分布，例如正太分布，所以最大特征值相应的到达角一般最接近对应信道角度功率谱的对称轴(即平均到达角)，如图2所示，为本申请实施例提供的两个用户的特征值分布示意图。

假设本申请实施例中L＝2，且每个小区中有一个用户同时发送信号，且存在导频污染，即Q＝2，且信道角度功率谱符合正太分布，图2中示出了两个用户的信道角度功率谱分布图。

信道角度功率谱p(θ；ψ)中横坐标为用户到目标基站的P个路径的到达角，从图2中可以看出信道角度功率谱的函数值越大，相应的到达角越接近信道角度功率谱的对称轴。因此，从特征值矩阵中的最大特征值与平均到达角最接近。

由于有噪声干扰，因此特征值矩阵中的各特征值可能不都对应用户，有可能是与噪声对应，因此设置了预设门限阈值，当最大特征值大于预设门限阈值时，认为该最大特征值是因用户发送的信号产生的；当最大特征值小于或等于预设门限阈值时，认为该最大特征值对应噪声，表示已经计算出所有用户的信道协方差矩阵函数的估计值。

步骤S104：依据所述最大特征值相应的到达角θ_i,ini以及预先设置的信道角度功率谱的最大半窗宽度Δ_max，确定所述最大特征值相应的变宽移动搜索窗的搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]。

其中，所述变宽移动搜索窗用于获取所述最大特征值相应的信道角度功率谱中函数值大于零的到达角范围。

假设变宽移动搜索窗的最优中心位置为θ_i以及最优窗宽为2Δ_i，则满足：

其中，θ_i为第i用户到目标基站的所有路径的到达角的平均值，即平均到达角，Δ_i为第i用户到目标基站的所有路径的到达角相对于平均到达角的波动范围，即扩展角。

仍以图2为例，若最大特征值相应的到达角θ_i,ini，假设信道角度功率谱中函数值大于零两个临界点为A点和B点，如图2所示，若到达角θ_i,ini对应信道角度功率谱的A点时，则B点的到达角最大为θ_i,ini+2Δ_max；若到达角θ_i,ini对应信道角度功率谱的B点时，则A点的到达角最小为θ_i,ini-2Δ_max。因此变宽移动搜索窗的搜索范围为[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]。

步骤S105：依据所述变宽移动搜索窗的搜索范围，确定所述特征向量中与所述搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]相应的各列基的列数为[m_i,ini-m′_max,m_i,ini+m′_max]。

其中，到达角θ_i,ini对应所述特征向量中第m_i,ini列基，到达角θ_i,ini-2Δ_max对应所述特征向量中第m_i,ini-m'_max列基，到达角θ_i,ini+2Δ_max对应所述特征向量中第m_i,ini+m'_max列基；

步骤S106：依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i。

所述最优窗宽2Δ_i中各到达角对应的所述最大特征值相应的信道角度功率谱中函数值大于零。

步骤S107：依据所述最优中心位置θ_i以及所述最优窗宽2Δ_i，获得第i用户的信道协方差函数的估计值。

本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法中，获取目标多用户信道协方差矩阵函数的特征向量以及特征值矩阵，从特征值矩阵中获得大于预设门限阈值的最大特征值，最大特征值相应的到达角θ_i,ini最接近相应的信道角度功率谱的中心位置；然后依据到达角θ_i,ini以及预先设置的信道角度功率谱的最大半窗宽度Δ_max，确定最大特征值相应的变宽移动搜索窗的搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]，依据变宽移动搜索窗的搜索范围，确定特征向量中与搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]相应的各列基的列数为[m_i,ini-m'_max,m_i,ini+m'_max]，依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，其中，最优窗宽2Δ_i中各到达角对应的最大特征值相应的信道角度功率谱中函数值大于零；依据最优中心位置θ_i以及所述最优窗宽2Δ_i，获得第i用户的信道协方差函数的估计值。从而计算出了用户的信道协方差函数的估计值。

上述实施例中，依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i的实现方法具体如下：

基于预先设置的代价函数以及搜索窗参数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，最优中心位置θ_i为第i用户相应的最优平均到达角，[θ_i-Δ_i,θ_i+Δ_i]为第i用户到所述目标基站的所有路径的到达角的范围；

所述代价函数为：其中，E_n为噪声空间；所述变宽移动搜索窗中任一角度θ对应所述特征向量中第e列基A_:,e，A_:,e与噪声空间E_n正交，θ∈[θ_i-Δ_i,θ_i+Δ_i]，m-m′_i≤e≤m+m′_i，其中，所述变宽移动搜索窗的最优中心位置θ_i对应所述特征向量中第m_i列基。

所述搜索窗函数为：其中，所述变宽移动搜索窗的最优窗宽2Δ_i对应所述特征向量中第2m′_i列基，T为预设阈值。

代价函数和搜索窗函数是基于子空间原理定义的。其中，m'_max为变宽移动搜索窗在第m_i,ini列基左右各m'_max列基对应的角度位置内搜索。

E_n＝[U_r+1…U_M]构成噪声空间，其对应M-r个较小的特征值。

代价函数的含义如下：如果变宽移动搜索窗内对应的任一角度：θ∈[θ_i-Δ_i,θ_i+Δ_i]，则θ对应的第e(m-m′_i≤e≤m+m′_i)列特征向量A_:,e属于信号子空间，A_:,e与噪声空间E_n正交，从而对应很小的值，其倒数必然大于某一个值T。如果变宽移动搜索窗内存在对应的角度则其对应的第e(e≤m_i-m′_i,e≥m_i+m′_i)列特征向量A_:,e属于噪声子空间，对应的值较大，其倒数不会大于某一个值T。

搜索窗函数的含义如下：特征值矩阵在包含信号子空间的前提条件下，其窗宽应该最大。如图2所示，虽然变宽移动搜索窗Window1(用实线标出)，变宽移动搜索窗Window2(用点画线标出)以及变宽移动搜索窗Window3(用虚线标出)均包含了信号子空间，但是变宽移动搜索窗Window2与变宽移动搜索窗Window3只包含了一部分，而变宽移动搜索窗Window1则包含了全部的信号子空间，其且窗宽对应最大。如果变宽移动搜索窗Window2或变宽移动搜索窗Window3继续增加窗宽，则会包含噪声空间，此时其相应代价函数的倒数将不会大于T。

因此，通过代价函数和搜索窗函数进行二维搜索，可以得到变宽移动搜索窗最优中心位置θ_i以及最优窗宽2Δ₁。

上述任一实施例中，依据所述最优中心位置θ₁以及所述最优窗宽2Δ₁，获得第i用户的信道协方差函数的估计值的具体实现方法如下：

依据函数，获得第i用户的信道协方差函数的估计值，其中，λ为所述特征值矩阵，λ_e,e为所述特征值矩阵中第e行第e列的特征值，所述特征向量为所述目标基站包括M个天线，m∈[1,M]，a(θ_e)为到达角θ_e相应所述目标基站的天线阵列响应矢量，其中，所述变宽移动搜索窗的最优中心位置θ_i对应所述特征向量中第m_i列基，所述变宽移动搜索窗的最优窗宽2Δ_i对应所述特征向量中第2m′_i列基。

的推到过程如下：

由于当基站包含的天线数很大时，不同方向上的天线阵列响应矢量趋于正交：

所以可以得到：

Ra(θ_m)≈g_iπa(θ_m)p(θ_m；ψ_i)+σ² (12)

可见，向量在M维复数空间上构成了一组正交基，存在：

RA＝λA+σ²I (13)

特征方程(13)的特征向量为对应的特征值矩阵表示为

从特征值矩阵λ的表达式可以看到，如果Q个用户之间的PAS函数p(θ；ψ_i)几乎不重叠时，即第i个用户在平均到达角θ_i以及扩展角范围内(即[θ_i-Δ_i,θ_i+Δ_i])的PAS值约等于所有Q个用户在该区域方向上的PAS值之和。如图2所示，假设确定的第一用户User1的PAS的函数值为零的两个临界点为A点(对应的到达角为θ_i-Δ_i)和B点(对应的到达角为θ_i+Δ_i)，则在A点和B点之间的目标区域中，其他用户，例如第二用户User2的PAS在目标区域内的函数值为零或趋于零，所以在该目标区域中，目标区域内第一用户User1的PAS的函数值约等于第一用户User1的PAS的函数值与其他用户，例如第二用户User2的PAS在目标区域内的函数值之和。

因此可以在特征值矩阵上将Q个用户区分：

则可以得到第i用户的信道协方差函数为：

如图3所示，为本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法中的从所述多用户信道协方差矩阵中确定目标多用户信道协方差矩阵函数的一种实现方式的方法流程示意图，该方法包括：

步骤S301：将前一迭代次数中的目标多用户信道协方差矩阵函数减去第i用户信道协方差函数的估计值，获得差函数。

对于第一次迭代而言，目标多用户信道协方差矩阵函数即为公式(9)所示，第一次迭代时，i为1；第二次迭代，目标多用户信道协方差矩阵函数为公式(9)减去第一用户的信道协方差矩阵函数的估计值，第二次迭代时，i为2；第三次迭代，目标多用户信道协方差矩阵函数为公式(9)减去第一用户的信道协方差矩阵函数的估计值以及第二用户的信道协方差矩阵函数的估计值，第三次迭代时，i为3；以此类推。

第一次迭代时，公式(9)中左侧R未知，多用户信道协方差矩阵函数的获得方法如下：

对接收到的Q个用户同时发送的信号，每隔预设采样间隔进行采样，获得多个采样时刻相应的多用户信道协方差矩阵函数值；依据各多用户信道协方差矩阵函数值，获得所述多用户信道协方差矩阵函数。

假设Q个用户同时发送的信号为Y(t)，详细公式可参见公式(1)，则每一采样时刻相应的多用户信道协方差矩阵函数值为Y(t_n)，假设共有N个采样点，t_n表示第n点的采样时刻，n∈[1,N]；则公式(9)左侧的的计算公式如下：

将替换公式(9)中的左侧的R，即得到第一次迭代的多用户信道协方差矩阵函数。

步骤S302：将所述差函数确定为本次迭代次数中的目标多用户信道协方差矩阵函数，且将i+1赋值给i。

为了验证本申请实施例提供的大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取方法的有益效果，为此本发明专利的申请人进行了仿真试验，以小区的总数L＝2和L＝4为例进行说明，假设每个小区此时同时有一个用户发送信号，且存在导频污染，且导频序列均为S_l＝[1 1 1 1]^T。当L＝2时，对应Q＝2；当L＝4时，对应Q＝4。

在进行仿真时，当得到第i个小区的用户信道估计值后，对接收信号Y_j采用迫零(ZF)检测：

其中，表示检测到的第i个小区用户向目标小区发送的符号向量，之后对采用硬判决来估计发送符号向量并统计误码率。

分别对基于子空间原理的分布式多用户参数估计算法(DSPE，Distributed Sources Paxameter Estimator)，基于协方差匹配的分布式多用户参数估计算法(A Covariance Fitting Approach to Parametric Localization of Multiple Incoherently Distributed Sources-CFMD)，以及本申请实施例提及的算法(基于迭代消除的多用户信道协方差函数估计方法(Iterative Estiation for Multiuser Based on Eigenvalue Domain-IEME))的贝叶斯信道估计值均方误差MSE(Mean Square error)和所有用户的平均BER(Bit Error Rate，误码率)进行对比。

设置的仿真参数如表1所示。

表1仿真参数设置表

如图4至图7所示，为本申请实施例提供L＝2，Q＝2时各信道方差矩阵函数值估计算法相应的信道估计均方误差的对比图。

图4至图7均是不同算法结合公式(7)的信道估计MSE曲线图。

图4为Δ＝0.0524时各算法相应的第一用户的信道估计MSE曲线图，由于为第一用户，因此用MSE(G1)表示纵坐标(后续相同，不再赘述)；图5为Δ＝0.0524时各算法相应的第二用户的信道估计MSE曲线，由于为第二用户，因此用MSE(G2)表示纵坐标(后续相同，不再赘述)；图6为Δ＝0.1047时各算法相应的第一用户的信道估计MSE曲线；图7为Δ＝0.1047时各算法相应的用户2的信道估计MSE曲线。

图4至图7所示的仿真结果给出了两个用户各自导频序列上的信道估计MSE。其中，CFMD与DSPE的MSE性能最好，在较高信噪比(SNR>0dB，SNR为信噪比)时CFMD要略好于DSPE，这与参数估计性能的对比结果是一致的，IEME估计性能最差。CFMD与DSPE通过估计参数θ与Δ重构多用户信道协方差矩阵函数R，达到了较为准确的估计。而IEME法的估计则基于其最佳的估计性能逼近于IEME与其它两种方法的MSE差异主要由统计值与理想多用户信道协方差矩阵函数R之间的差异导致。对于不同的扩展角Δ＝0.0524以及Δ＝0.1047，无论何种算法，结合贝叶斯进行信道估计后，Δ＝0.1047相比Δ＝0.0524，信道估计MSE均略有损失，可见当扩展角增大时，信道估计性能下降。

如图8至图9，为本申请实施例提供的L＝2，Q＝2时各信道方差矩阵函数值估计算法相应的平均误码率比对图。

图8为Δ＝0.0524时各算法相应的平均误码率BER曲线；图9为Δ＝0.1047时各算法相应的平均误码率BER曲线。

图8至图9的平均误码率曲线表明，CFMD和DSPE在SNR＝0dB时BER便可达到10^-4。

对比图8和图9可以看出，SNR＝0dB时便可达到较高的参数估计准确度。对于IEME算法，BER性能要差于CFMD和DSPE，同图4至图7所示MSE性能对比情况一致。

图10至图13所示，为本申请实施例提供的L＝4，Q＝4时各信道方差矩阵函数值估计算法相应的信道估计均方误差的对比图。

图10为Δ＝0.0524时各算法相应的第一用户的信道估计MSE曲线；图11为Δ＝0.0524时各算法相应的第二用户的信道估计MSE曲线；图12为Δ＝0.0524时各算法相应的第三用户的信道估计MSE曲线，由于为第三用户，因此用MSE(G3)表示纵坐标(后续相同，不再赘述)；图13为Δ＝0.0524时各算法相应的第四用户的信道估计MSE曲线，由于为第四用户，因此用MSE(G4)表示纵坐标(后续相同，不再赘述)。

图10至图13为不同算法结合公式(7)的信道估计MSE曲线图。

从图10至图13的仿真结果可以看出，MSE性能与L＝2情况下相比均出现性能恶化，说明随着用户的增多，贝叶斯信道估计器即公式(7)的性能会恶化。对于CFMD，由于第三用户的平均到达角估计出现偏差即有偏估计，因此对应的MSE很差。IEME估计性能差于DSPE估计，四个用户各自MSE基本相似，均在0.5左右。

图14，为本申请实施例提供的L＝4，Q＝4时各信道方差矩阵函数值估计算法相应的平均误码率比对图。

从图14可以看出，各种算法对应的BER性能与两用户相比时变差，因为随着用户的增多不仅信道估计性能变差，且进行数据检测时用户间的干扰增大。DSPE对应最好的BER。由于用户平均到达角以及角度扩展参数估计性能的恶化，CFMD的BER已无法下降。IEME的性能差于DSPE，但要好于CFMD。虽然IEME的BER性能要差于DSPE，但是IEME不需任何先验知识，后者则需要理想已知PAS的分布函数，而实际上如果不对特定环境进行信道统计测量，PAS将很难得到。

本申请实施例还提供了与信道方差矩阵函数值获取方法相对应的信道方差矩阵函数值获取装置，下面对信道方差矩阵函数值获取装置进行说明，信道方差矩阵函数值获取装置中各模块和各单元的详细说明，请参阅信道方差矩阵函数值获取方法中相应步骤的说明，在此不再赘述。

请参阅图15，为本申请实施例提供的一种大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置的结构示意图，该信道方差矩阵函数值获取装置包括：

第一确定模块1501，用于从多用户信道协方差矩阵函数中，确定目标多用户信道协方差矩阵函数，所述多用户信道协方差矩阵函数为Q个用户的信道协方差矩阵函数之和，所述目标多用户信道协方差矩阵函数为Q个用户中的D个用户的信道协方差矩阵函数之和，其中，D小于等于Q，Q为大于等于1的正整数，D为大于等于1的正整数。

第一获取模块1502，用于获得目标多用户信道协方差矩阵函数的特征向量以及特征值矩阵，特征值矩阵中各特征值与相应用户的信道角度功率谱的函数值正相关，特征向量中各列基关联有相应用户到目标基站的所有路径相应的到达角度；

第二获取模块1503，用于从所述特征值矩阵中获得大于预设门限阈值的最大特征值，所述最大特征值对应第i用户，i为大于等于1的正整数；

第二确定模块1504，用于依据所述最大特征值相应的到达角θ_1,ini以及预先设置的信道角度功率谱的最大半窗宽度Δ_max，确定所述最大特征值相应的变宽移动搜索窗的搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]，其中，所述变宽移动搜索窗用于获取所述最大特征值相应的信道角度功率谱中函数值大于零的到达角范围；

第三确定模块1505，用于依据所述变宽移动搜索窗的搜索范围，确定所述特征向量中与所述搜索范围[θ_i,ini-2Δ_max,θ_i,ini+2Δ_max]相应的各列基的列数为[m_i,ini-m'_max,m_i,ini+m'_max]，其中，到达角θ_i,ini对应所述特征向量中第m_i,ini列基，到达角θ_i,ini-2Δ_max对应所述特征向量中第m_i,ini-m'_max列基，到达角θ_i,ini+2Δ_max对应所述特征向量中第m_i,ini+m'_max列基；

第三获取模块1506，用于依据所述变宽移动搜索窗、所述搜索范围以及所述特征向量中所述搜索范围相应的各列基的列数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，所述最优窗宽2Δ_i中各到达角对应的所述最大特征值相应的信道角度功率谱中函数值大于零；

第四获取模块1507，用于依据所述最优中心位置θ_i以及所述最优窗宽2Δ_i，获得第i用户的信道协方差函数的估计值。

可选的，上述大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置实施例中的第三获取模块包括：

第一获取单元，用于基于预先设置的代价函数以及搜索窗参数，获得所述变宽移动搜索窗的最优中心位置θ_i以及最优窗宽2Δ_i，最优中心位置θ_i为第i用户相应的最优平均到达角，[θ_i-Δ_i,θ_i+Δ_i]为第i用户到所述目标基站的所有路径的到达角的范围；

所述代价函数为：其中，E_n为噪声空间；所述变宽移动搜索窗中任一角度θ对应所述特征向量中第e列基A_:,e，A_:,e与噪声空间E_n正交，θ∈[θ_i-Δ_i,θ_i+Δ_i]，m-m′_i≤e≤m+m′_i，其中，所述变宽移动搜索窗的最优中心位置θ_i对应所述特征向量中第m_i列基；

所述搜索窗函数为：其中，所述变宽移动搜索窗的最优窗宽2Δ_i对应所述特征向量中第2m′_i列基，T为预设阈值。

可选的，上述任一大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置实施例中的第四获取模块包括：

第二获取单元，用于依据函数，获得第i用户的信道协方差函数的估计值，其中，λ为所述特征值矩阵，λ_e,e为所述特征值矩阵中第e行第e列的特征值，所述特征向量为所述目标基站包括M个天线，m∈[1,M]，a(θ_e)为到达角θ_e相应所述目标基站的天线阵列响应矢量，其中，所述变宽移动搜索窗的最优中心位置θ_i对应所述特征向量中第m_i列基，所述变宽移动搜索窗的最优窗宽2Δ_i对应所述特征向量中第2m′_i列基。

可选的，上述任一大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置实施例中的第一确定模块包括：

第三获取单元，用于将前一迭代次数中的目标多用户信道协方差矩阵函数减去第i用户信道协方差函数的估计值，获得差函数；

第一确定单元，用于将所述差函数确定为本次迭代次数中的目标多用户信道协方差矩阵函数，且将i+1赋值给i。

可选的，上述任一大型多输入多输出系统Massive MIMO多用户信道方差矩阵函数值获取装置实施例还包括：

采样单元，用于对接收到的Q个用户同时发送的信号，每隔预设采样间隔进行采样，获得多个采样时刻相应的多用户信道协方差矩阵函数值；

第四获取单元，用于依据各多用户信道协方差矩阵函数值，获得所述多用户信道协方差矩阵函数。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。