本发明属于无线通信技术领域,尤其涉及一种时变大规模mimo系统中的信道追踪和恢复方法。
背景技术:
目前,最接近的现有技术:现有的联合空分复用(jointspatialdivisionmultiplexing,jsdm)的方法被提出,此方法将期望用户的信道协方差矩阵的特征空间映射至所有其他用户的特征空间的零空间从而使用户间的干扰变为零;此方法被进一步拓展,提出了一种低开销的最优化用户选择和预先形成算法以实现最优总速率。一种在两阶段预编码框架中的fdd大规模mimo系统中名为波分复用的传输机制被提出,在此机制中,只有csi被用于最优化下行传输。一种tdd/fdd大规模mimo系统中的新型信道估计方法被提出,此方法从瞬时上行csi中提取出角度参数和功率角度谱(powerangularspectrum,pas),重构了上行信道协方差矩阵(channelcovariancematrices,ccm),并利用其提升了上行信道估计性能且未造成额外的训练开销,此方法不需要长时间获取上行ccm并且能处理拥有大as的更加实际的信道传播环境。以上的这些策略需要使用空间信息以实现不同用户间的正交传输,理论上这些空间信息可使用信道协方差矩阵推出。因此,以上方法需要高效且复杂度低的获取信道协方差矩阵的方法。
由于高阶矩阵的奇异值分解(singularvaluedecomposition,svd)存在复杂度高的问题,在大规模mimo系统中获取信道协方差矩阵是十分困难的。为此,大规模mimo瞬时信道的低秩模型和空间基础扩展模型(spatialbasisexpansionmodel,sbem)被提出以在没有信道协方差矩阵情况下获取信道信息;一种时变大规模mimo系统中新型信道追踪方法被提出。扩展的卡尔曼滤波(kalmanfiltering,kf)方法用于盲追踪中心角和导向矢量的泰勒级数展开式来获得角度扩展。此前提出了一种对时变大规模mimo网络的信道估计方法,此方法使用了卡尔曼滤波和rauch-tung-striebel平滑器(rauch-tung-striebelsmoother),基于em的稀疏贝叶斯学习框架来获取时间相关因子、空间信息和信道功率。此方法还使用了降维的卡尔曼滤波器来追踪上下行虚拟信道。然而,信道功率和载波频率是密切相关的,信道功率并不能只从上行信道推出。另外,考虑到信号到达方向(directionofarrivals,doas)的随机性,由于空间采样的误差造成的功率泄露,采用现有的信道估计方法将不可避免地造成性能损失。
大规模mimo由于其频谱和能量利用效率高从而使其成为第五代蜂窝网络(5g)的潜在关键技术。为充分利用大规模mimo的优势,需要从基站(basestation,bs)中获取准确的信道状态信息(channelstateinformation,csi)。在时分双工(timedivisionduplex,tdd)系统中,由于上行和下行使用同一个信道,基站的csi可从上行训练中获取。然而在频分双工(frequencydivisionduplex,fdd)系统中,基站的csi需要从上行训练、下行训练和csi反馈中获取。而传输训练序列、csi反馈以及当导频被污染时均会导致很大的开销。为减少信道训练和csi反馈的开销,很多新的传输策略被提出以减少有效信道的维度。
综上所述,现有技术存在的问题是:由于高阶矩阵的svd存在复杂度高的问题,在大规模mimo系统中获取信道协方差矩阵是十分困难的。其次,信道功率和载波频率是密切相关的,信道功率并不能只从上行信道推出。此外,因为信号到达方向的随机性以及空间采样的误差造成的功率泄露,采用现有的信道估计方法将不可避免地造成性能损失。本发明解决的问题:针对信道功率不能只从上行信道推出的问题,本发明采用了obkf在跟踪信道的同时恢复出参数。针对因为信号到达方向的随机性以及空间采样的误差造成的功率泄露,现有的信道估计方法造成性能损失的问题,本发明在建立信道模型的时考虑了这些因素,建立了带入射角偏差的off-grid模型,从而进一步提升了估计性能。
解决上述技术问题的难度:
传统的信道追踪方法,如classicalkf等方式需要已知两个噪声的参数,而在本模型中这两个参数是未知的,因此无法使用传统方式追踪信道。本发明创新性地提出的obkf方法,能在不使用这两个参数的情况下有效追踪和恢复信道。
解决上述技术问题的意义:
本发明在改进了信道模型,实现了在部分下行信道参数未知的情况下准确地对下行信道实现了跟踪,并且同时恢复出未知参数,从而有效提升了在时变大规模mimo系统中的信道估计性能。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种时变大规模mimo系统中的信道追踪和恢复方法。
本发明是这样实现的,一种时变大规模mimo系统中的信道追踪和恢复方法,所述时变大规模mimo系统中的信道追踪和恢复方法通过利用虚拟信道表示构建了动态上行大规模mimo信道模型;采用期望最大化算法来捕获空间标签、时间相关因子、off-grid偏移,信道功率和噪声功率;下行信道模型的空间标签、时间相关因子和off-grid偏移可在知道上行信道相应参数的基础上重构;信道功率和噪声功率与载波频率有密切的联系,无法有效地从已知的上行信道参数中重建。
进一步,所述时变大规模mimo系统中的信道追踪和恢复方法包括:
步骤一:在上行多用户大规模mimo系统中,基站有nt>>1根以均匀线性阵列ula排布的天线;k个单天线的用户均匀分布在基站的覆盖范围内;几何信道模型为第k个用户周围有l条散射,每个散射为单一传播路径;令
建立虚拟信道的自回归ar模型:
其中hk,m是第m个块时第k个用户与基站间的上行信道,时变过程rk,m代表高斯马尔可夫随机过程,αk是传输因子,
设当前小区被分配了τ≤k个长度符合ls≤lc的正交训练序列,设正交训练序列集为s=[s1,s2,...,sτ],其中
其中
步骤二:使用em算法迭代式地产生ξ(l),l=1,2,...序列,在第l步利用以下算法1计算
步骤三:将符合式
其中
状态空间模型为:
其中
通过此模型,使用经典卡尔曼滤波跟踪上行信道;
步骤四:进行上行数据传输;
步骤五:使用以下算法2重构下行信道参数并恢复下行信道。
首先初始化上行信道参数,然后利用em算法迭代进行参数的捕获;在下行跟踪时先利用上行估计的参数恢复出下行信道的部分参数,然后利用obkf在噪声参数未知的情况下对信道进行跟踪,同时使用和积算法和mcmc方法将未知的噪声参数恢复出来。
进一步,所述步骤二使用em算法迭代式地产生ξ(l),l=1,2,...序列,在第l步利用以下算法1计算
首先将
其中
进一步,所述步骤五具体包括:
算法2中gk,m为从基站到用户k在时间块m时的下行物理信道的模型;
式中
式中
式中
式中
其中:
算法2中
其中:
根据算法2中的递归过程计算出所有的参数。
进一步,算法2中
第(j+1)次mcmc采样为:
迭代处理mcmc采样;对于任何
本发明的另一目的在于提供一种应用所述时变大规模mimo系统中的信道追踪和恢复方法的无线通信息系统。
本发明的另一目的在于提供一种应用所述时变大规模mimo系统中的信道追踪和恢复方法的时变大规模mimo系统。
综上所述,本发明的优点及积极效果为:针对传统classicalkf等信道追踪方法需要已知两个噪声的参数,而在本模型中这两个参数是未知的问题。本发明通过使用最优化贝叶斯卡尔曼滤波的方式在已知部分先验信息的基础上准确的追踪了下行信道,并且同时恢复出未知参数,精确的还原了模型参数;相比于未知噪声参数时的传统kf跟踪,本发明在低信噪比的情况下能将性能提升100%~200%,在高信噪比的情况下性能基本与理想状况相同。本发明在时变在大规模mimo系统中可有效追踪和还原上下行信道。
附图说明
图1是本发明实施例提供的时变大规模mimo网络的信道追踪和恢复方法流程图。
图2是本发明实施提供的因子图。
图3是本发明实施提供的整体算法流程图。
图4是本发明实施例提供的时变大规模mimo网络的信道追踪和恢复方法的应用场景示意图。
图5是本发明实施例提供的对比传统kf跟踪方式的仿真图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明通过使用最优化贝叶斯卡尔曼滤波的方式在已知部分先验信息的基础上准确的追踪了下行信道,同时精确的还原了模型参数;本发明在时变在大规模mimo系统中可有效追踪和还原上下行信道。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的时变大规模mimo系统中的信道追踪和恢复方法包括以下步骤:
步骤一:在上行多用户大规模mimo系统中,基站有nt=128根以均匀线性阵列(uniformlineararray,ula)排布的天线。k=32个单天线的用户均匀分布在基站的覆盖范围内。几何信道模型为第k个用户周围有l条散射,每个散射为单一传播路径。令
建立虚拟信道的自回归(autoregressive,ar)模型:
其中hk,m是第m个块时第k个用户与基站间的上行信道,时变过程rk,m代表高斯马尔可夫随机过程,αk是传输因子,
设当前小区被分配了τ≤k,τ=4个长度符合ls≤lc,ls=4,lc=160的正交训练序列,设正交训练序列集为s=[s1,s2,...,sτ],其中
其中
步骤二:使用em算法迭代式地产生ξ(l),l=1,2,...序列,在第l步利用以下算法1计算
其中
步骤三:将符合式
其中
状态空间模型为:
其中
通过此模型,使用经典卡尔曼滤波跟踪上行信道。
步骤四:进行上行数据传输。
步骤五:使用以下算法2重构并恢复下行信道。
算法2中gk,m为从基站到用户k在时间块m时的下行物理信道的模型。
式中
式中
式中
式中
图2中的
其中
算法2中
其中
根据算法2中的递归过程计算出所有的参数。
算法2中
第(j+1)次mcmc采样为:
使用上式迭代处理mcmc采样。对于任何
图5为对比传统kf跟踪方式的仿真图,相比于未知噪声参数时的传统kf跟踪,本发明在低信噪比的情况下能将性能提升100%~200%,在高信噪比的情况下性能基本与理想状况相同。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。