基于PCA演进的大规模MIMO信道反馈方法与流程

本申请涉及无线通信技术领域信道状态信息反馈方法，特别涉及一种基于pca演进的大规模mimo信道状态信息压缩反馈方法。

背景技术：

多输入多输出(multiple-inputmultiple-output，mimo)技术是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，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，被视为下一代移动通信的核心技术。正交频分复用(orthogonalfrequencydivisionmultiplexing，ofdm)是一种有效的调制方案，它将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输。接收端采用相关技术来将正交信号分开，减少了子信道之间的相互干扰。每个子信道上的信号带宽小于信道的相关带宽，因此每个子信道上的可以看成平坦性衰落，从而可以消除符号间干扰。

移动通信大规模mimo-ofdm系统中，为实现使用预编码技术将能量集中到目标移动终端上，一般由接收端将估计出来的信道信息通过反馈信道反馈给发射端，让发送端实时的获得准确的下行信道的信道信息。但随着大规模mimo技术推进，天线数量会大幅增加，如果将下行链路信道信息直接完全反馈给发射端，会极大增加容量损失，所以对信道信息的压缩反馈方式成为研究的热点。

主成分分析(principalcomponentanalysis，pca)，也称主分量分析或矩阵数据分析，一种数据分析的技术，主要思想是将高维数据投影到较低维空间，提取多元事物的主要因素，揭示其本质特征。它可以高效地找出数据中的主要部分，将原有的复杂数据降维，去除整个数据中的噪音和冗余，将把相关的变量变为若干不相关的综合指标变量，是一种最小均方意义上的最优变换，目的是去除输入随机向量之间的相关性，突出原始数据中的隐含特性。主成分分析方法的优势在于数据压缩以及对多维数据进行降维，操作简单，且没有参数限制，可以方便的应用于各个场合。因此，将pca用于大规模mimo系统的信道状态信息压缩中，可以减少反馈开销。但是，现提出的使用pca对信道信息压缩的方法大多只考虑了空间域或频域一个域内的相关性，且目前对于主要成分提取的选择矩阵需要动态更新，这无疑从另一方面增加了反馈量并提高了计算复杂度。

综上，现在已经出现的大规模mimo系统中信道状态信息反馈方法，针对它们计算方法复杂度高、反馈量大、反馈精度较低等问题，现提出基于主成分分析演进的大规模mimo-ofdm信道信息反馈方法，考虑信道信息在空域频域两个维度的相关性，结合分簇思想，将大量信道状态信息压缩反馈到发射端并进行重构操作。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于pca演进的大规模mimo-ofdm系统信道反馈方法。

发明目的：为了实现在大规模mimo-ofdm系统中，对信道状态信息进行压缩后的反馈，本发明提出了一种基于pca演进的信道信息压缩方法来反馈高度相关的信道状态信息。该方法首先考虑空域和频域两个域内的信道特性，通过获取下行信道相关特性参数建立信道模型；然后将矢量化后的信道状态信息即信道向量进行分簇，提高信道状态信息的相关性和压缩性，以便对每一簇内的高维信道状态信息降低到低维数据；其次，在收发两端计算特性参数信道模型每一簇内信道状态信息的协方差矩阵以及稀疏矩阵，在接收端，通过选择矩阵提取稀疏向量主要成分，使选定的稀疏信道向量满足各元素之和最大原则；最后将选定的信道信息及选择矩阵的码字索引反馈到发射端进行信道状态信息的重构。

为了实现本发明的上述目的，本发明提供了一种基于pca演进的大规模mimo-ofdm系统信道反馈方法，其特征包括：

s1，获取下行信道相关特性参数，建立信道模型。

s2，将信道向量hk进行分簇，根据信道特性参数计算出每一簇信道状态信息的协方差矩阵，并通过协方差矩阵的特征值分解获得稀疏矩阵。

s3，预定义一个收发两端都已知的二进制选择矩阵码本，根据选定的稀疏信道向量各元素之和最大原则选取最优的选择矩阵。

所述的基于pca演进的大规模mimo-ofdm系统信道反馈方法，其特征在于，所述s1包括：

本发明考虑一个大规模mimo-ofdm系统，发射端为配置nt根均匀天线的线性阵列，接收端为单天线用户，考虑频域有nc个子载波；在大规模mimo-ofdm系统中，发射端与第k个用户间在空域和频域的信道向量hk表示为：

其中n＝nt×nc，vec(a)表示将一个a×b的矩阵a矢量化，变成ab×1的列向量，hk(n)为第k个用户第n个子载波的空域信道向量，建立模型为：

在大规模mimo系统中，由于发射端配置天线数较多时，天线间距较小，天线间呈现较强的空间相关性，因此，发射端与第k个单天线用户间的信道可建模为：

其中，表示发送相关矩阵，n表示第n个子载波，n∈{1,…,nc}；表示均值为0，方差为1的独立分布复高斯随机矢量，hiid,k(n)的第(u,v)个元素代表发射天线u和接收天线v之间由路径损耗和小尺度衰落组成的信道增益。

由于发射端配置nt根均匀线性阵列天线，空间相关矩阵可以通过jakes模型得到，第p根天线与第q根天线之间的相关系数表示为：

其中j0(·)表示第一类零阶贝塞尔函数，dpq表示第p根天线与第q根天线之间的距离，λ表示载波波长。

所述的基于pca演进的大规模mimo-ofdm系统信道反馈方法，其特征在于，所述s2包括：

s2-1，将信道向量hk进行分簇。

接收端将连续的信道状态信息分为g个簇，即hk^t＝[hk,1^t…hk,g^t]，其中g≤n；hk,g表示第g个簇的信道状态信息，用g个簇来代替n个信道状态信息元素，则每一簇包含个信道状态信息元素。

s2-2，根据特性参数计算出信道每一簇信道状态信息的协方差矩阵，并通过协方差矩阵的特征值分解获得稀疏矩阵；第k个用户第g簇的信道协方差矩阵表示为：

对第g簇信道状态信息的协方差矩阵进行特征值分解，获得稀疏矩阵：

其中，表示hk,g的协方差矩阵，表示对协方差矩阵进行特征值分解，即ck,g＝ψk,gλψk,g^h；λ是对角矩阵，其对角元素是协方差矩阵的特征值，ψk,g的列向量是协方差矩阵的特征向量；通过卡洛南变换，ψk,g同时表示稀疏矩阵。

所述的基于pca演进的大规模mimo-ofdm系统信道反馈方法，其特征在于，所述s3包括：

s3-1，预定义一个收发两端都已知的二进制选择矩阵码本cp：

cp＝{p1…pl}

其中pi表示选择矩阵码本的第i个码字，即选择矩阵，l表示码本cp包含l个选择矩阵。

s3-2，选取最优的选择矩阵pi。

通过选择矩阵pi从稀疏向量sk,g中选择m个最重要的反馈信息，其中

s′k,g＝pisk,g

全局搜索选择矩阵码本，当选定的稀疏信道向量s′k,g各元素之和最大时，接收端确定使用的选择矩阵pi。

i＝argimax|sk,gpi|

确定选择矩阵pi后，通过s′k,g＝pisk,g从稀疏向量sk,g中选择m个最重要的反馈信息。

s3-3，采用随机矢量量化码本，量化选定的稀疏信道向量s′k,g，s′k,g码字索引通过以下公式获得：

j＝argjmax|s′k,gwj|

其中wj是随机矢量量化码本的第j个码字；然后将s′k,g码字索引以及选择矩阵pi的码字索引一起反馈到发射端。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

根据发射端为大规模mimo均匀线性阵列，接收端为单天线用户这一场景建立了相关的信道模型，将空域和频域连续的n个信道状态信息进行分簇。首先根据信道特性计算出每一簇信道状态信息的协方差矩阵和稀疏矩阵；然后，在收发两端预定义一个相同的二进制选择矩阵码本cp，根据选定的稀疏信道向量各元素之和最大原则确定选择矩阵，获得选定的稀疏信道向量；最后将选定的稀疏信道向量随机矢量化以及选择矩阵索引反馈到发射端并进行重构操作。本发明将连续的n个信道状态信息进行分簇，提高了信道状态信息相关性及基于pca的压缩性能；通过信道特性得到信道协方差矩阵和稀疏矩阵以及在收发两端预定义的二进制选择矩阵码本，减少了大量的反馈量和降低了复杂度。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明系统结构图；

图2是本发明总体流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明提出了一种由pca演进的大规模mimo-ofdm系统信道状态信息压缩反馈方法，根据考虑场景建立了相关的信道模型，将连续的信道状态信息进行分簇，提高了信道状态信息的相关性以及基于pca的压缩性能，通过信道统计特性以及在收发两端预定义的二进制选择矩阵码本，减少了大量的反馈量和降低了复杂度。

结合附图1和附图2对本发明进行详细说明，主要包括以下步骤：

步骤1：开始。

步骤2：获取下行信道相关特性参数，建立相关信道模型。

本发明考虑大规模mimo-ofdm系统，发射端为配置nt根均匀线性阵列的天线，接收端为单天线用户，有nc个子载波。在大规模mimo系统中，由于发射端配置天线数较多时，天线间距较小，天线间呈现较强的空间相关性，因此，发射端与第k单天线用户间的信道可建模为：

其中，表示发送相关矩阵，n表示第n个子载波，n∈{1,…,nc}；表示均值为0，方差为1的独立分布复高斯随机矢量，hiid,k(n)的第(u,v)个元素代表发射天线u和接收天线v之间由路径损耗和小尺度衰落组成的信道增益。

由于发射端配置nt根均匀线性阵列天线，空间相关矩阵可以通过jakes模型得到，第p根天线与第q根天线之间的相关系数表示为：

其中j0(·)表示第一类零阶贝塞尔函数，dpq表示第p根天线与第q根天线之间的距离，λ表示载波波长。

大规模mimo-ofdm系统中，发射端与第k个用户间在空域和频域的信道向量hk表示为：

其中n＝nt×nc，vec(a)表示将一个a×b的矩阵a矢量化，变成ab×1的列向量，hk(n)为第k个用户第n个子载波的空域信道向量，建立模型为：

步骤3：对信道向量hk进行分簇。

接收端将连续的n个信道状态信息分为g个簇，即其中g≤n；hk,g表示第g个簇的信道状态信息，用g个簇来代替n个信道状态信息元素，则每一簇包含个信道状态信息元素。

步骤4：根据特性参数和步骤3，首先计算出特性参数信道每一簇信道状态信息的协方差矩阵然后将每一簇信道状态信息的协方差矩阵进行特征值分解，即ck,g＝ψk,gλψk,g^h，获得稀疏矩阵ψk,g，并将ψk,g储存在发射端和接收端。具体实施过程如下：

(1)根据特性参数计算信道每一簇信道状态信息的协方差矩阵，第k个用户第g簇信道状态信息的协方差矩阵表示为：

(2)对第g簇信道状态信息的协方差矩阵进行特征值分解，获得稀疏矩阵：

其中，表示对协方差矩阵进行特征值分解，即ck,g＝ψk,gλψk,g^h。λ是对角矩阵，其对角元素是协方差矩阵的特征值，ψk,g的列向量是协方差矩阵的特征向量，通过卡洛南变换，ψk,g同时表示稀疏矩阵。

由于步骤4中的信道向量hk是通过信道特性参数获得的，则只需确定信道状态信息分簇数g，那么收发两端的协方差矩阵就是已知的，进而收发两端的稀疏矩阵ψk,g也是已知的。将稀疏矩阵ψk,g储存在发射端和接收端，则接收端不需再向基站反馈ψk,g，因此减少了反馈量。

步骤5：信道估计。

首先估计第k个用户所有个子载波的空域相关信道，即获得1×nt的hk(n)，n∈{1,…,nc}；然后根据公式(4)将hk(n)矢量化转变为nt×1的空域信道向量hk(n)；再根据公式(3)构造信道向量hk。本发明假定采用理想的信道估计，不考虑信道估计误差。

步骤6：信道的稀疏。

首先根据步骤3将信道估计构造的信道向量hk进行分簇；然后接收端第g簇信道状态信息hk,g通过稀疏矩阵ψk,g得到一个稀疏向量sk,g，sk,g通过提取hk,g的主要成分来代表hk,g，表示为

步骤7：预定义选择矩阵码本和选取最优选择矩阵。

首先预定义一个收发两端都已知的二进制选择矩阵码本cp，然后通过选定的稀疏信道向量s′k,g内各元素之和最大准则选取最优选择矩阵pi。具体实施过程如下：

(1)预定义一个收发两端都已知的二进制选择矩阵码本cp：

cp＝{p1…pl}(8)

其中pi表示选择矩阵码本的第i个码字，即选择矩阵；l表示码本cp包含l个选择矩阵。

(2)通过选择矩阵pi从稀疏向量sk,g中选择m个最重要的反馈信息，其中

s′k,g＝pisk,g(9)

全局搜索选择矩阵码本，当选定的稀疏信道向量s′k,g内各元素之和最大时，接收端确定使用的选择矩阵pi。

i＝argimax|sk,gpi|(10)

其中pi表示选择矩阵码本的第i个码字。传统主成分分析方法需要动态更新每簇和不同时刻的选择矩阵pi并将其反馈到发射端，增加了计算复杂度。本发明预先在收发两端设定一个二进制选择矩阵码本cp，只需反馈选择矩阵的索引到基站，减少了计算复杂度和反馈开销。

步骤8：确定选择矩阵pi后，通过公式(9)从稀疏向量sk,g中提取m个主要成分，即主要反馈信息。步骤8将高维的信道状态信息变成了低维的信道状态信息。

步骤9：采用随机矢量量化码本，量化低维的选定的稀疏信道向量s′k,g，然后将s′k,g码字索引以及步骤7选择矩阵pi的码字索引一起反馈到发射端。s′k,g码字索引通过以下公式获得：

j＝argjmax|s′k,gwj|(11)

其中wj是随机矢量量化码本的第j个码字。与直接量化高维的信道状态信息相比，随机矢量量化码本能够设计得小一些，减少了反馈开销。

步骤10：发射端重构信道状态信息。

发射端通过反馈获得的s′k,g码字索引j以及选择矩阵pi码字索引i进行信道状态信息重构，具体实施过程如下：

(1)发射端从随机矢量量化码本中找到对应第g簇s′k,g的码字，从选择矩阵码本cp＝{p1…pl}中找到对应第g簇选择矩阵pi的码字，根据以下公式：

恢复出第g簇的高维信道状态信息向量

(2)发射端通过选择矩阵pi和稀疏矩阵ψk,g作逆变换，根据以下公式：

恢复第g簇的信道状态信息

(3)发射端根据分簇序号g依次对进行重新排列，重构出下行链路信道状态信息hk。

步骤11：结束。

本发明与传统pca用于信道信息压缩反馈方法相比，其创新之处在于建立信道模型时考虑了空域和频域两个域的信道特性，并将得到的信道向量进行分簇，再对每一簇信道状态信息基于卡洛南变换得到稀疏向量，最后通过选择矩阵提取稀疏向量的主要成分并反馈，本发明中预定义了静态的选择矩阵并以码本形式反馈，减小反馈量。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。