基于信号检测与支撑集辅助的叠加CSI反馈方法与流程

本发明涉及通信系统中信道反馈技术在用户端的压缩、叠加处理，以及基站端的信号重构技术，特别是指一种基于信号检测与支撑集辅助的叠加信道状态信息(csi,channelstateinformation)反馈方法。

背景技术：

相对于传统的频分双工(fdd,frequencydivisionduplex)多输入多输出(mimo,multiple-inputmultiple-output)系统，基于fdd的大规模mimo系统能带来系统容量、稳定性等性能的提升。然而，基于fdd的大规模mimo系统诸多带来性能提升的操作(如多用户调度、速率分配、发射端预编码等)却依赖于准确的csi获取。在基于fdd的大规模mimo系统中，下行csi获取通常依靠信道反馈技术。

传统基于码书的csi反馈方法，因大规模mimo系统的天线数众反馈开销巨大，面临着码本维度巨大，继而反馈开销巨大的问题。现有的基于压缩感知的csi反馈技术(本发明称之为，传统的压缩感知csi反馈技术)，利用csi具有稀疏特性对csi进行压缩后反馈，可在一定程度上改善csi反馈开销，但在csi反馈过程中占用一定的带宽资源。同时，在上述传统的压缩感知csi反馈中，基站端重构csi需重构其支撑集信息，其中小幅度元素的支撑集信息重构会耗费大量的反馈开销。现有的叠加序列的csi反馈方法，虽然能一定程度上有效提高系统的频谱开销，但因叠加信号间的干扰不能有效抵消，继而使得csi的反馈精度受到一定影响。

介于此，本文在传统的压缩感知csi反馈技术基础上引入叠加反馈技术，同时将csi的小幅度元素的支撑集信息反馈回基站。相对于传统的压缩感知csi反馈技术，本发明能在不恶化上行用户数据误比特率(ber，biterrorratio)的情况下，不需要额外的带宽资源，并可改善csi反馈精度。

技术实现要素：

本发明的主要目的在于提供一种基于信号检测与支撑集辅助的叠加信道状态信息(csi,channelstateinformation)反馈方法。在进行信道反馈时，将csi的小幅度元素索引信息连同压缩csi，进行量化、调制后，叠加在调制后的上行用户数据上进行反馈。从而，使得csi反馈在不恶化上行用户数据的ber的同时，不需要额外的带宽资源，并可改善csi反馈的精度。

具体的技术方案为：

基于信号检测与支撑集辅助的叠加信道状态信息(csi,channelstateinformation)反馈方法，包括以下步骤：

a.发送端处理：

(a1)读取长为n，稀疏度为k的信道状态信息利用1×λ的索引序列a⁽²⁾记录h的部分小幅度元素的索引信息；根据压缩感知技术(cs,compressedsensing)得1×m的压缩序列y；将索引序列a⁽²⁾、压缩序列y和稀疏度k按照公式x＝[a⁽²⁾,yreal,yimag,k]构成1×l的信息序列x；

所述的cs技术为利用测量矩阵φ根据公式y＝hφ压缩1×n的稀疏信道状态信息h。

所述的测量矩阵φ为n×m矩阵；包括：高斯分布随机矩阵、贝努利分布随机矩阵、亚高斯随机矩阵和非常稀疏投影矩阵；其中，m≤n；

所述的l满足l＝λ+2m+k；

所述的yreal、yimag分别表示压缩序列y的实部和虚部；

(a2)将1×l的信息序列x进行量化、调制得1×l的调制序列r；

所述的l根据工程经验设定；

(a3)用t×l的扩频矩阵q将1×l的调制序列r按照公式l＝rq^t进行扩频处理，得1×t的扩频序列l；

所述的t根据工程经验选取；(·)^t为矩阵的转置操作。

(a4)将1×t的扩频序列l与1×t的数据序列s按照公式进行加权叠加生成1×t的发送序列t进行发送。

所述的数据序列s是发射数据序列经量化、调制所得。所述的e为发送序列t的发送功率，所述的常数ρ根据工程经验选定，满足：0≤ρ≤1；

b.接收端处理：

(b1)接收端接收到发送信号y，根据公式进行解扩频操作得带噪调制序列

(b2)利用最小均方误差(mmse,minimummeansquareerror)检测技术，恢复1×l的调制序列r；

(b3)将1×l的调制序列r解调后映射回1×l的信息序列x；利用信息序列x恢复出索引序列a⁽²⁾、压缩序列y和稀疏度k；

(b4)利用干扰消除思想以及mmse检测技术，恢复1×t的数据序列s；

(b5)接收机利用索引序列a⁽²⁾、压缩序列y、测量矩阵φ和稀疏度k重构csi。

进一步的，步骤(a1)所述的索引序列a⁽²⁾是小幅度非零元素的支撑集信息，即：

其中，|h|i(i＝1,2,…,k)是将h中的k个非零元素按照幅值大小降序排列所得。其中，λ根据工程经验选定。

进一步的，步骤所述(a1)的稀疏等级k由用户端接收机信道估计获得；所述的信道状态信息h由用户端接收机信道估计获得。

进一步的，步骤(a1)包括：

将索引序列a⁽²⁾、压缩序列y的实部和虚部以及稀疏度k，构成1×l的信息序列x，根据以下公式进行：

x＝[a⁽²⁾,yreal,yimag,k]

所述的yreal、yimag分别表示压缩序列y的实部和虚部。

进一步的，步骤(a3)所述的扩频处理是将1×l的调制序列r根据公式l＝rq^t扩频，其中q为t×l的walsh码组成的扩频矩阵，满足q^tq＝t·ιl。其中，(·)^t表示取矩阵的转置操作，il表示l×l的单位矩阵。

进一步的，步骤(b2)所述的mmse检测技术，根据下式进行，即：

其中，(·)^-1表示取矩阵的逆操作，(·)^h表示取矩阵的共轭转置操作，dec(·)表示硬判决操作，为带噪调制序列的自相关函数矩阵，为带噪调制序列与调制序列r的互协方差矩阵。e(x)表示取矩阵x的均值。

进一步，步骤(b4)包括：

利用接收到的发送序列t减去调制序列r的干扰，获得去干扰数据序列即：

其中(·)^t表示取矩阵的转置操作，再根据下式进行mmse检测，恢复数据序列sk，即：

其中，(·)-¹表示取矩阵的逆操作，(·)^h表示取矩阵的共轭转置操作，dec(·)表示硬判决操作，为去干扰数据序列的自相关函数矩阵，为去干扰数据序列与数据序列s的互协方差矩阵。e(x)表示取矩阵x的均值。

进一步的，步骤(b5)所述的重构csi，是将索引序列a⁽²⁾加入重构算法初始值，并结合现有的基于压缩感知的重构方法进行信号的重构，同时利用索引序列a⁽²⁾设置新的算法终止条件。

所述的现有的基于压缩感知的重构方法包括，基于l1范数最小化、基追踪算法、内点法、匹配追踪算法(mp，matchingpursuit)、正交匹配追踪算法(omp，orthogonalmatchingpursuit)、分段omp算法(stomp，stagewiseorthogonalmatchingpursuit)、规范omp算法(romp，regularizedorthogonalmatchingpursuit)、cosamp算法(cosamp,compressivesamplingmatchingpursuit)、迭代硬阈值法(iht，iterativehardthresholding)以及grades(gradientdescentwithsparsification)。

所述的加入重构算法初始值是指利用稀疏度k和索引序列a⁽²⁾得到：待重构支撑集长度η＝k-|a⁽²⁾|；将待重构支撑集长度η添加在算法初始值中。其中，|a⁽²⁾|表示索引序列a⁽²⁾的势，即索引序列a⁽²⁾中非零元素的个数。

所述的利用索引序列a⁽²⁾设置新的算法终止条件是指算法进行η次迭代后，根据更新出来的支撑集合的势进行支撑集完备性的检验，即满足条件|t^t|≠k且η＜k，支撑集重构完成；否则，返回算法第一步。其中，|t^t|表示算法经过t次迭代以后更新支撑集t的势。

进一步的，本发明以omp算法为例的重构过程如下：

读取重构得到的小幅度元素的索引信息索引序列a⁽²⁾，读取还原得到的压缩序列y、测量矩阵φ和稀疏度k。

初始化数据：残差矢量r⁰＝y、索引集合t⁰＝a⁽²⁾、迭代次数t＝0、待重构支撑集长度η＝k-|a⁽²⁾|

(1)计数增1：t＝t+1

(2)索引识别:算法通过解一个最优问题更新当前索引，(φ)j为矩阵φ第j行。

(3)支撑集更新：根据识别到的λ^t更新支撑集集合，即：t^t←t^t-1∪λ^t

(4)csi估计：利用更新的索引集合，通过解一个最小二均方问题求得非零元素，

(5)残差更新：

(6)终止条件的判断：若t＜η，返回步骤1)；否则，进入下一步

(7)支撑集完备性检验：若|t^t|≠k并且t＜k,返回步骤1),否则a←t^t，其中|t^t|表示取支撑集t^t的势。

(8)求解最小均方问题：利用更新的支撑集合，重构csi,supp(x)＝a表示矢量x的支撑集合为a。

输出重构值

本发明具有的有益效果：

本发明与现有的叠加反馈技术相比较，在其基础上引入了压缩感知技术，在节约了反馈带宽资源的同时，使得反馈csi具有更大的扩频增益且不恶化上行数据序列的ber性能。此外，本文在基站端将反馈的部分小幅度元素结合现有的基于压缩感知的重构方法算法进行信号重构，有效提高了重构csi的精度。

附图说明

图1为本发明的csi反馈方法流程示意图；

图2为本发明重构信道信号时的算法流程图；

具体实施方式

本发明实施例中使用基于信号检测与支撑集辅助的叠加信道状态信息反馈，下面具体描述本发明的方法，如图1所示。

a.发送端处理：

(a1)读取长为n，稀疏度为k的信道状态信息利用1×λ的索引序列a⁽²⁾记录h的部分小幅度元素的索引信息；根据压缩感知技术(cs,compressedsensing)得1×m的压缩序列y；将索引序列a⁽²⁾、压缩序列y和稀疏度k按照公式x＝[a⁽²⁾,yreal,yimag,k]构成1×l的信息序列x；

所述的cs技术为利用测量矩阵φ根据公式y＝hφ压缩1×n的稀疏信道状态信息h。

所述的测量矩阵φ为n×m矩阵；包括：高斯分布随机矩阵、贝努利分布随机矩阵、亚高斯随机矩阵和非常稀疏投影矩阵；其中，m≤n；

所述的l满足l＝λ+2m+k；

所述的yreal、yimag分别表示压缩序列y的实部和虚部；

所述的λ根据工程经验设定。

a1)的具体流程为：

(a1_1).利用1×λ的索引序列a⁽²⁾记录h的部分小幅度元素的索引信息；

(a1_2).根据cs技术，利用测量矩阵φ根据公式y＝hφ压缩1×n的稀疏信道状态信息h得到1×m的压缩序列y。

(a1_3).将压缩序列y按照下式取实部和虚部：

(a1_4).索引序列a⁽²⁾、压缩序列y的实部和虚部以及稀疏度k，构成1×l的信息序列x，根据以下公式进行：

x＝[a⁽²⁾,yreal,yimag,k]

示例1：所述的索引序列a⁽²⁾记录过程如下：

假设n＝16,k＝5，λ＝2。则h可以表示为：h＝(h1,h2,…,h16)。特别说明，实际大规模的mimo系统中，信道状态信息h中的元素是成百上千个，此处为了书写方便取n＝16。假设h的元素中，除了h1,h3,h5,h10,h165个元素外，其余元素均为0。同时，h1,h3,h5,h10,h16的幅值大小关系为：|h3|＞|h1|＞|h16|＞|h5|＞|h10|。将h＝(h1,h2,…,h16)按照幅值大小进行降序排列后可得：

h＝(h3,h1,h16,h5,h10,0…,0)

得全部信息的索引信息：

取出包含小幅度元素索引信息的索引序列a⁽²⁾：

a⁽²⁾＝(5,10)

其中，|x|表示取x的绝对值。

(a2)将1×l的信息序列x进行量化、调制得1×l的调制序列r；

所述的l根据工程经验设定；具体流程为：

(a2_1).将1×l的信息序列x进行量化得到2进制序列比特流序列xbin。

(a2_2).将比特流序列xbin进行调制得到调制序列r。

(a3)用t×l的扩频矩阵q将1×l的调制序列r按照公式l＝rq^t进行扩频处理，得1×t的扩频序列l；

所述的t根据工程经验选取；(·)^t为矩阵的转置操作。q为t×l的walsh码组成的扩频矩阵，满足q^tq＝t·ιl。其中，(·)^t表示取矩阵的转置操作，il表示l×l的单位矩阵。

示例2：所述的扩频过程如下：

假设l＝16，t＝128。调制序列r表示为：

r＝(r1,r2,…,r16)

扩频矩阵q为：

使用扩频矩阵q对调制序列r进行扩频，即：

其中，

(a4)将1×t的扩频序列l与1×t的数据序列s按照公式进行加权叠加生成1×t的发送序列t；

所述的数据序列s是发射数据序列经量化、调制所得。所述的e为发送序列t的发送功率，所述的常数ρ根据工程经验选定，满足：0≤ρ≤1；

1×t的发送序列t过信道得到n×t的发送信号y。

所述的过信道根据公式y＝gt+n进行，其中g为n×1的信道矩阵；

所述的n为反馈过程中n×t的反馈链路噪声。

b.接收端处理：

(b1)接收端接收到发送信号y，根据公式进行解扩频操作得1×l的带噪调制序列

示例3：所述的解扩过程如下：

假设接收机接收到发送信号y：

y＝gt+n

由于l＝rq^t，可将发送信号y简化为：

根据公式进行解扩频处理得带噪调制序列

(b2)利用最小均方误差(mmse,minimummeansquareerror)检测技术，恢复1×l的调制序列r；

所述的mmse检测技术，根据下式进行，即：

其中，(·)^-1表示取矩阵的逆操作，(·)^h表示取矩阵的共轭转置操作，dec(·)表示硬判决操作，为带噪调制序列的自相关函数矩阵，为带噪调制序列与调制序列r的互协方差矩阵。e(x)表示取矩阵x的均值。

(b3)将1×l的调制序列r解调后映射回1×l的信息序列x；利用信息序列x恢复出索引序列a⁽²⁾、压缩序列y和稀疏度k；

(b4)利用干扰消除思想以及mmse检测技术，恢复1×t的数据序列s；具体过程如下所述：

(b4_1).利用接收到的发送序列t减去调制序列r的干扰，获得去干扰数据序列即：

其中(·)^t表示取矩阵的转置操作。

(b4_2).根据下式进行mmse检测，恢复数据序列sk，即：

其中，(·)-¹表示取矩阵的逆操作，(·)^h表示取矩阵的共轭转置操作，dec(·)表示硬判决操作，为去干扰数据序列的自相关函数矩阵，为去干扰数据序列与数据序列s的互协方差矩阵。e(x)表示取矩阵x的均值。

(b5)接收机利用索引序列a⁽²⁾、压缩序列y、测量矩阵φ和稀疏度k重构csi。

其中，所述的重构csi，是将索引序列a⁽²⁾加入重构算法初始值，并结合现有的基于压缩感知的重构方法进行信号的重构，同时利用索引序列a⁽²⁾设置新的算法终止条件。

所述的现有的基于压缩感知的重构方法包括，基于l1范数最小化、基追踪算法、内点法、匹配追踪算法(mp，matchingpursuit)、正交匹配追踪算法(omp，orthogonalmatchingpursuit)、分段omp算法(stomp，stagewiseorthogonalmatchingpursuit)、规范omp算法(romp，regularizedorthogonalmatchingpursuit)、cosamp算法(cosamp,compressivesamplingmatchingpursuit)、迭代硬阈值法(iht，iterativehardthresholding)以及grades(gradientdescentwithsparsification)。

所述的加入重构算法初始值是指利用稀疏度k和索引序列a⁽²⁾得到：待重构支撑集长度η＝k-|a⁽²⁾|；将待重构支撑集长度η添加在算法初始值中。

所述的利用索引序列a⁽²⁾设置新的算法终止条件是指算法进行η次迭代后，根据更新出来的支撑集合的势进行支撑集完备性的检验，即满足条件|t^t|≠k且η＜k，支撑集重构完成；否则，返回算法第一步。其中，|t^t|表示算法经过t次迭代以后更新支撑集t的势。

进一步的，本发明以omp算法为例，阐述的具体实施方式如图2所示：

读取重构得到的小幅度元素的索引信息索引序列a⁽²⁾，读取还原得到的压缩序列y、测量矩阵φ和稀疏度k。

初始化数据：残差矢量r⁰＝y、索引集合t⁰＝a⁽²⁾、迭代次数t＝0、待重构支撑集长度η＝k-|a⁽²⁾|

(1)计数增1：t＝t+1

(2)索引识别:算法通过解一个最优问题更新当前索引，(φ)j为矩阵φ第j行。

(3)支撑集更新：根据识别到的λ^t更新支撑集集合，即：t^t←t^t-1∪λ^t

(4)csi估计：利用更新的索引集合，通过解一个最小二均方问题求得非零元素，

(5)残差更新：

(6)终止条件的判断：若t＜η，返回步骤1)；否则，进入下一步

(7)支撑集完备性检验：若|t^t|≠k并且t＜k,返回步骤1),否则a←t^t，其中|t^t|表示取支撑集t^t的势。

(8)求解最小均方问题：利用更新的支撑集合，重构csi,supp(x)＝a表示矢量x的支撑集合为a。

输出重构值