一种低复杂度的大规模MIMO上行链路传输信道估计方法与流程

本发明属于通信领域，具体涉及一种针对频率选择性信道下的大规模多输入多输出(multiple-inputmultiple-output，mimo)上行链路传输的低复杂度的压缩信道估计方法。

背景技术

大规模mimo系统中，基站端配置利用大规模天线阵列同时服务多个用户。采用大规模mimo技术可以有效降低用户间干扰，大幅提高无线通信系统的频谱利用率和功率效率。对于大规模mimo通信系统，由于传播环境中有限数量的重要散射体，波束域的信道固有地表现出块稀疏性。因此，可以采用压缩感知算法，来重构信道响应矩阵。

为了完全获取大规模mimo的性能增益，下行链路传输中的波束成形和资源分配过程需要知道基站端的准确信道状态信息(channelstateinformation，csi)。在时分双工(time-divisionduplexing，tdd)系统中，可以通过利用信道互易性的上行链路训练来获得csi。但对于大规模的用户终端，正交导频序列的使用将使导频开销变得难以负担。

技术实现要素：

发明目的：针对现有技术的不足，本发明的目的是提供一种在频率选择性信道下的，利用非正交导频序列以及角度时延域的结构化稀疏性的低复杂度的大规模mimo上行链路传输的压缩信道估计方法。

技术方案：为实现上述发明目的，本发明采用的技术方案为：

一种低复杂度的大规模mimo上行链路传输信道估计方法，包括以下步骤：

(1)基站配置大规模天线阵列，通过波束赋形生成大规模波束集合覆盖整个小区，并且在小区内采用tdd模式与单天线用户进行通信；小区内的所有用户终端同步地向基站发送导频信号。

(2)基站获取所有用户发送的导频信号，并且根据设计好的非正交导频矩阵构建一个波束域压缩信道估计问题，用于估计归一化角度时延域信道响应矩阵；依据波束域信道的结构化稀疏性和能量集中特性，使用优先级矢量加权感知矩阵的方式对归一化角度时延域信道响应矩阵进行估计；其中，非正交导频矩阵为根据用户所发送的导频设计的满足约束等距性的感知矩阵，归一化角度时延域信道响应矩阵是利用过完备离散傅里叶矩阵，对空间频率域信道响应矩阵进行分解得到的具有结构化稀疏性的归一化角度时延域信道响应矩阵；

(3)依据估计得到的归一化角度时延域信道响应矩阵和过完备离散傅里叶矩阵，计算得到空间频率域信道响应矩阵，完成信道估计。

所述步骤(1)中基站配置大规模均匀线性阵列，与小区内所有目标用户进行通信；目标用户同步地向基站发送经过正交频分复用(orthogonalfrequencydivisionmultiplexing，ofdm)调制和添加循环前缀后的导频信号。

所述非正交导频矩阵的设计方法为：首先定义一个基础导频序列，其所有元素都是满足恒定幅度和零均值的独立同分布随机变量；然后通过循环移位的方式获取不同用户的导频序列，组合成基本的导频矩阵；最后根据导频时延长度对该矩阵进行扩展。

所述步骤(2)中依据波束域信道的结构化稀疏性和能量集中特性，使用优先级矢量加权感知矩阵的方式估计归一化角度时延域信道响应矩阵的方法，具体包括：

利用修改过的正交匹配追踪(modified-orthogonalmatchingpursuit，momp)算法和初始优先级矢量计算得到用于更新优先级矩阵的支撑集，并对优先级矩阵进行更新；所述momp算法通过引入优先级矢量简化正交匹配追踪法(orthogonalmatchingpursuit，omp)的原子选择步骤，求解得到的原子索引集合作为所述支撑集，并采用最小二乘估计法求解信道矢量；

再利用更新后的优先级矩阵按列执行momp算法，得到归一化角度时延域信道响应矩阵每一列的信道矢量，组合后得到估计的归一化角度时延域信道响应矩阵。

有益效果：本发明主要利用波束域的结构化稀疏性和压缩感知算法进行信道估计，涉及大规模mimo-ofdm信道的建模和所提出的基于能量集中的信道估计(energy-concentrationbasedchannelestimation，ecce)算法，适用于单小区的tdd大规模mimo上行系统。系统建模时，依据空间频率域信道响应矩阵和信道功率分配在角度时延域的相关性和过完备离散傅里叶矩阵之间的关系，生成归一化的角度时延域信道响应矩阵。在ecce算法中，依据波束域信号能量的集中特性，通过计算感知矩阵和导频矩阵的列之间的相关性，消除波束域信道中能量近似为零的波束，从而进行信道估计。最后利用过完备离散傅里叶矩阵以及推导的公式，实现波束域信道估计到空间频率域信道估计的转变。与现有技术相比，本发明具有如下优点：

1.过完备离散傅里叶矩阵的使用，降低了功率泄漏，增加了角度时延域的稀疏性，提高了压缩信道恢复的精度。

2.通过分解得到的归一化角度时延域信道响应矩阵，在波束域有很好的结构化稀疏性和能量集中特性，可以通过压缩感知算法进行低复杂度的信道恢复。

3.所提出的ecce算法设计了权重矢量和优先级矩阵，减少了信道矢量估计过程的检索次数，降低了复杂度。

附图说明

图1为低复杂度的大规模mimo上行链路传输信道估计方法流程图。

图2为大规模mimo通信系统示意图。

图3为基于momp的迭代算法流程图。

图4为基于ecce的信道估计算法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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、完整的描述。

如图1所示，本发明公开的一种低复杂度的大规模mimo上行链路传输信道估计方法，主要包括以下步骤：

1)基站配置大规模天线阵列，通过波束赋形方法生成能够覆盖整个小区的大规模波束集合。本步骤中，基站通过tdd模式与小区内的所有用户终端同步地进行通信。在信道上行链路传输阶段，所有用户终端向小区发送导频信号。

2)基站获取所有用户终端发送的导频信号，并且根据设计好的非正交导频矩阵，构建一个压缩信道估计问题来求解归一化角度时延域信道响应矩阵，并依据波束域信道的结构化稀疏性和能量集中特性提出ecce算法解决该信道估计问题。

3)依据估计得到的归一化角度时延域信道响应矩阵和过完备离散傅里叶矩阵，计算得到空间频率域信道响应矩阵，完成信道估计。

其中导频矩阵的设计方式为：首先定义一个基础导频序列，其所有元素都是满足恒定幅度和零均值的独立同分布随机变量；然后通过循环移位的方式获取不同用户的导频序列，组合成基本的导频矩阵；最后根据导频时延长度对该矩阵进行扩展。

下面以图2所示的大规模mimo上行链路传输系统为例，考虑单小区场景，基站侧配置m根发射天线的大规模天线阵列(m为10²～10³数量级)，天线间隔为半波长。小区中有k个单天线目标用户。

在信道上行链路传输阶段，所有目标用户在子载波集合上同步地发送导频信号，第k个用户终端发送的导频序列可以表示为np是导频信号子载波的数目。则导频载波集合上所接受到的信号在移除循环前缀后可以表示为：

其中，是在空间频率域接收到的导频信号，是第k个用户终端发送的导频，是基站和第k个用户之间的空间频率域信道响应矩阵，是指基站和第k个用户在第l条子载波上的信道频率响应矢量，具体表达式为：

其中，vm,θ是基站阵列响应矢量，θ表示到达角，s是信道总路径数，是第k个用户的角度时延域信道增益函数，τs,k表示第k个用户在第s条路径上的归一化时延，是高斯白噪声矩阵(它的所有元素都是独立同分布的随机变量且服从)。exp{·}表示指数函数，表示均值为零，方差为σ²的复高斯分布。

gk可以分解为：

其中，是定义好的过完备离散傅里叶矩阵，它的第m行、第n列元素是：

cb是到达角的过完备因子。

ct是时延域的过完备因子，此处上标t表示矩阵的转置，下标t表示导频信号的最大时延长度。其中，定义为：

分子的表示导频子载波，分子中的j表示虚数。是基站和第k个用户之间的归一化角度时延域信道响应矩阵。

则公式(1)可以重新表示为：

其中，

令定义a＝[a1a2...ak]和则上述问题可以最终转化为如下形式：

其中，是感知矩阵(在本发明中为预先设计好的导频矩阵)，需要通过压缩感知的方法来估计h^t。为简化表达方式，将在第m个波束上所接收到的导频信号，即矩阵的第m列表示为：

其中，表示矩阵h^t的第m列。公式(8)为本发明需要解决的压缩信道估计问题。

需要注意的是，解决公式(8)表示的压缩信道估计问题，得到的是归一化角度时延域信道矩阵的转置h^t，下一步需要再利用公式(3)求解空间频率域信道响应矩阵gk，即本发明信道估计的最终目标。

本发明基于momp算法和ecce算法求解上述整理后的压缩感知问题。其中momp算法的思路是：利用波束域的能量集中特性，计算感知矩阵a和中列的相关性，在每次迭代中舍弃能量近似为零的波束。相较于一般的omp算法，momp算法设置了优先级矢量，利用波束能量会扩散到相邻波束的特性，对感知矩阵进行加权，优先选择能量较高的波束以及它们相邻的波束。此外，基于ecce算法的思路是：每次迭代更新优先级矩阵，动态更新支撑集，从而减少迭代次数，降低运算复杂度。

图3示出了本发明实施的基于momp算法的压缩信道估计方法的实现流程，详细过程如下：

步骤1：输入在第m个波束上所接收到的导频信号感知矩阵a，优先级矢量p，阈值ε和相关性阈值δ。

步骤2：令i表示迭代次数，并置零，初始化原子索引集合残差带有优先级的感知矩阵φ←a·diag{p}以及估计值a0←0。

步骤3：当满足时，迭代次数i←i+1，定义g←φ^hr，然后按照如下目标函数筛选原子索引并更新支撑集：

其中，j表示矩阵中的列，|·|表示求矢量的模值，||·||2是指计算矢量的l2范数。该目标函数表示求解感知矩阵a中和接收到的导频信号相关性最高的列。当||gj||2＞δ时，对支撑集进行更新，γm,i←γm,i-1∪ηi。否则，进入步骤5。

步骤4：利用最小二乘(leastsquare，ls)估计法求解信道矢量ai：

其中，表示矢量ai在支撑集γm,i中的元素值，表示γm,i在集合{12...kctt}中的补集。公式(11)和(12)表示根据感知矩阵和待估矢量相关性最高的列求解估计值ai。然后，更新残差将结果带回步骤3，进行新一轮迭代。

步骤5：输出信道估计以及支撑集γm＝γm,i。

在上面提出的基于momp算法的压缩信道估计方法中，本发明依据波束域信道的结构化稀疏性和能量集中特性，通过使用优先级矢量加权感知矩阵的方式，动态筛选原子索引并更新支撑集。

图4示出了本发明实施的基于ecce算法的信道估计方法的实现流程，详细过程如下：

步骤1：输入接收到的导频信号组成的矩阵感知矩阵a以及有意义的波束(能量高于某一阈值)数目λ。

步骤2：生成权重矢量和优先级矩阵其中，权重矢量q的元素可以表示为：

其中，a1和a2表示线性衰减系数。

步骤3：利用momp算法和优先级矢量p＝1，计算矩阵中的每一列所对应的支撑集γm，然后以如下方式更新b：

其中，符号⊙表示矩阵hadamard乘积，表示矩阵a的一个子矩阵，它满足如下条件：行索引来源于集合列索引来源于集合下标m-λ/2+1：m+λ/2表示集合{m-λ/2+1m-λ/2+2...m+λ/2}。

步骤4：依据步骤3中得到的优先级矩阵b，对矩阵的每一列执行momp算法，并计算得到估计矢量

步骤5：依据和公式(3)，计算得到基站和第k个用户之间的空间频率域信道响应矩阵

在上面提出的基于ecce算法的信道估计方法中，主要的计算代价来源于momp算法中筛选能量较高的波束以及更新支撑集的步骤。最终得到的ecce算法的计算复杂度为l1是momp算法的迭代次数。本发明根据仿真结果得到，cb和ct越大，复杂度将会越高，故cb和ct的值一般取为1或者2。

应当指出，以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本实施例中未明确的各组成部分均可用现有技术加以实现。