一种多用户大规模MIMO信道估计方法与装置与流程

一种多用户大规模mimo信道估计方法与装置
技术领域
[0001]
本发明属于大规模天线多输入多输出(massive multiple input multiple output,mimo)技术领域，具体涉及一种多用户大规模mimo信道估计方法与装置。


背景技术：

[0002]
大规模天线多输入多输出(mimo)技术，即massive mimo技术，通过显著扩展覆盖区域和允许更多用户访问移动基站(mobile base-station，mbs)，是第五代无线通信系统中的一项关键性技术，它能够大量提升信道传输容量和速率，这对5g通信的三大主要应用场景来说是极为重要的。为顺利完成目标和基站之间的信息传递过程以及获取后续准确预编码设计，首要工作是估计信道状态信息(csi，channel state information)。对于大部分具有超低时延要求的5g应用场景，信道估计的方法必须要求兼顾高精度和低时延特性。
[0003]
传统的信道估计方法包括经典的最小二乘(least squares,ls)和最小均方误差(minimum mean square error,mmse)方法。对于massive mimo系统来说，ls信道估计方式复杂度很低但是估计精度不足，mmse估计方法估计精度很高但所需复杂度极高，同时它也是传统估计方法的性能极限。因而，目前的信道估计手段都试图在ls和mmse之间寻求复杂度和估计精度之间的平衡解，并没有突破mmse的精度限制。
[0004]
由于高计算量和通信环境变化的限制，虽然广为人知的mmse估计器接近最优的估计精度，但是它的实现在很多对通信系统实时性要求较高时是不切实际的，一方面因为它的计算复杂度十分大，另一方面，在高度动态需求的通信环境中，所需的统计协方差信息往往不可用。而其他简化后的近似最优估计器会严重影响估计精度，并同时带来不低的计算开销。近年来，研究学者针对massive mimo通信系统开发了各种csi估计器，旨在降低计算的时间复杂度，或提高精度。svp(singular value projection)算法利用了信道矩阵的低秩特性，将一个大规模的mimo信道估计转换成奇异值分解和恢复的过程。wpeach(weighted polynomial expansion channel)方法对mmse估计器所涉及的矩阵求逆进行了近似计算，提出了加权多项式扩展信道估计器，降低了估计的复杂度。然而，在时变无人机环境中，权系数的更新仍然需要大量的计算开销。基于最小二乘估计和稀疏消息传递算法的lse-smp(least-square estimation and sparse message passing)方法通过设计良好的消息反馈机制来获得与信道相关的稀疏矩阵，利用稀疏迭代方式将毫米波信道估计问题转换为稀疏信号恢复问题，并借助消息传递算法恢复出非0元素位置，该方法可以获得方差最小的无偏估计，但可应用性极低，稀疏基的寻找将极大影响算法性能，并且该算法所需复杂度依旧十分高，消息更新所需复杂度极高。
[0005]
目前，csi估计器的主要目标是平衡计算复杂度和估计精度，这是massive mimo系统的一个主要挑战。已有的方法可以在一定程度上降低时间复杂度，但很少有方法的估计精度能超过mmse估计器。这些方法尽管在理论分析和实际应用，如提高信道容量方面前景广阔，但超越mmse的csi估计器研究仍是一个亟待解决的问题，特别是当强调低复杂度和高精度并行时。


技术实现要素：

[0006]
针对当前5g应用场景中对massive mimo的csi估计的低时延和高可靠性需求，本发明提供了一种多用户大规模mimo信道估计方法与装置，将精度和复杂度同时作为优化目标，首次突破了传统采用mmse进行信道估计的性能极限，并同时保证了极低的计算复杂度。
[0007]
本发明技术方案的应用场景是，对于一个大规模massive mimo通信系统，所有用户之间发送正交的导频信号给基站端以估计当前环境下的信道，因而可以利用导频之间的正交性将各个用户的信道进行分开估计。
[0008]
具体地，本发明提供的一种多用户大规模mimo信道估计装置，包括：用户接收信号模块、接收信号协方差矩阵平滑模块、用户到达角快速估计模块、波束成形技术估计信道增益模块以及信道状态信息矩阵重构模块。
[0009]
所述用户接收信号模块利用用户之间发送导频信号的正交性，对基站接收到的总接收信号矩阵正交处理，获取单用户的接收信号向量，设用户i的接收信号向量为y
i
，i为正整数。所述接收信号协方差矩阵平滑模块采用空间平滑技术对接收信号向量y
i
进行采样重构，获得用户i的接收信号协方差矩阵r
yi
，矩阵r
yi
包含目标的到达角信息。所述用户到达角快速估计模块对矩阵r
yi
利用快速music谱估计方法分解获得信号子空间和噪声子空间，对目标的到达角度进行谱搜索，设得到包含目标用户i的所有多径的到达角度，设θ
i,j
为用户i的第j条多径的到达角。所述波束成形技术估计信道增益模块对每个用户的每个多径角度方向，采用波束成形技术计算信道增益；设用户i的第j条多径上的信道增益为g
i,j
。所述信道状态信息矩阵重构模块基于θ
i,j
和g
i,j
，借助信道模型重构用户i的信道状态信息h
i
；当所有n
t
个用户的信道状态信息都被估计出来之后，信道状态信息矩阵重构模块将其进行合并，获得基站端和所有用户之间的状态信息矩阵
[0010]
相应地，本发明提供的一种多用户大规模mimo信道估计方法，首先估计用户和天线之间每条路径的到达角，再采用波束成形技术估计每条路径的信道增益参数，最后基于信道模型重构基站端和用户间的信道状态信息。本发明方法包括如下步骤：
[0011]
步骤1，基站端获得对所有用户发射的导频信号的观测矩阵y，根据用户发送导频信号的正交性，将y和每个用户的导频信号向量相乘，得到单用户的接收信号向量，设用户i的接收信号向量为y
i
；用户i的接收信号向量中包含用户i到基站之间所有多径的路径增益以及到达角；
[0012]
步骤2，确定平滑因子l，使用y
i
的第j到j+l-1个元素重构向量y
i
(j:j+l-1)，由秩为1的向量y
i
(j:j+l-1)平滑得到用户i的接收信号协方差矩阵r
yi
，矩阵r
yi
包含目标的到达角信息；
[0013][0014]
其中，l是正整数，上角标h表示共轭转置，n
r
为基站端天线数目；
[0015]
步骤3，对用户i的接收信号协方差矩阵r
yi
，利用快速music谱估计方法获取用户i的所有多径的到达角度，设θ
i,j
为用户i的第j条多径的到达角；
[0016]
步骤4，对每个用户的每个多径角度方向，采用波束成形技术计算信道增益；设用户i的第j条多径上的信道增益为g
i,j
；
[0017]
步骤5，基于θ
i,j
和g
i,j
重构用户i的信道状态信息h
i
；当所有用户的信道状态信息都被估计出来之后，将其进行合并获得基站端和所有用户之间的状态信息矩阵n
t
为用户数目。
[0018]
所述的步骤5中，重构用户i的信道状态信息h
i
如下：
[0019][0020]
其中，k为用户i传输过程中产生的多径数目，向量a(θ
i,j
)如下：
[0021][0022]
d表示基站端的大规模mimo天线阵列的阵元间距，λ表示发射信号的波长，n
r
为基站端天线数目。
[0023]
相对于现有技术，本发明的信道估计装置及方法，具有如下优点和积极效果：
[0024]
(1)本发明实现了一种massive mimo通信场景下的新信道估计方法与装置，突破了传统信道估计方法的性能极限并且提升较大，同时本发明的信道估计维持了很低的计算开销，兼顾了低复杂度的需求，这对于大规模的天线系统来说是很有意义的，极大满足了当前5g应用场景中的低时延和高可靠性需求，具有十分重要的意义和应用价值。
[0025]
(2)本发明的信道估计装置及方法中使用了一种两阶段csi估计器，该估计器首先由用户接收信号的协方差矩阵构造嵌入汉克尔矩阵和估计的空间谱，来对用户的doa信息进行秩-1子空间估计，该估计阶段估计精度很高；然后，在已知doa基础上，采用后验波束形成的方法获得未知的信道增益，这能有效地提高信噪比，从而得到信道增益的无偏估计。
[0026]
(3)与mmse估计器相比较，本发明所获得的额外增益超出mmse估计器o(log
10
n
r
)增倍，并且超出增益随着天线数目增大而增大，本发明将csi估计的误差界(cramer-rao low bound，crlb)降低至o(1/n
r2
)，n
r
代表天线数目，因此，csi估计精度被显著提高，这能够进一步提高潜在信道容量和massive mimo通信的覆盖区域。
[0027]
(4)本发明方法与装置设计了一种低复杂度的music谱估计方法对到达角度进行快速估计，该方法利用空间嵌入矩阵固有的低秩性质，在其上进行随机矩阵采样，进而将大规模的csi矩阵近似为多个小规模的子矩阵乘积，这样可以将原大规模矩阵的奇异值分解过程转换成为小规模子矩阵的简单奇异值分解，从而极大降低计算的时间复杂度，从根本上实现了低复杂度和低功耗的双重目的。
[0028]
(5)本发明所设计的信道估计方法与装置的时间开销仅仅在于快速music谱搜索以及beamforming求信道增益系数这两个阶段，此外并没有引入额外开销，相比于其他估计方法与装置，该方法无疑极大降低了估计复杂度。
[0029]
(6)经过试验仿真证明，本发明方法与装置突破了目前流行的mmse方法的性能极限，得到了更为精确度csi估计结果，并显著提高mse和信道容量。更重要的是，该发明发法的实现并没有以高计算开销为代价，反而有效降低了信道估计的复杂度。
附图说明
[0030]
图1为进行多用户大规模mimo信道估计的一个应用场景示意图；
[0031]
图2为本发明的多用户大规模mimo信道估计装置的模块组成示意图；
[0032]
图3为本发明的多用户大规模mimo信道估计方法的实现流程图；
[0033]
图4为在所提应用场景下情本发明方法与多个其他传统信道估计方案检测性能对比图。
[0034]
图5为在本发明方法与多个传统信道估计方案运行时间复杂度的对比图。
具体实施方式
[0035]
下面将结合附图和实施例对本发明作进一步的详细说明。
[0036]
针对于mimo系统下的信道状态信息获取，基于传统的信道估计手段总是试图在寻求复杂度和估计精度之间找到平衡，却无法突破mmse的性能限制并且估计精度和复杂度无法很好兼顾。尤其是在massive mimo通信场景下，大量的天线数目令这些估计算法的复杂度呈幂指数级别上升，然而这些计算开销对于很多低延时应用场景来说无法接受的。针对这样的问题，本发明提出了一种新型的低复杂度且高精度的信道估计方法，从信道状态信息的波束域空间模型入手，将信道估计问题变成双参数连续估计问题，突破了传统mmse信道估计算法的极限性能，在提升信道估计算法性能极限的同时又保持方法计算的低复杂度，这对于当前广泛应用的massive mimo通信系统领域信道估计有十分重要的应用意义。通过本发明的信道估计方法及装置，能找到当前信道估计领域平衡复杂度和估计性能之间的一个极优解，可满足5g应用场景中的低时延和高可靠性要求。
[0037]
本发明将波达方向(doa)估计方法以及波束成形beamforming)技术结合起来，将信道估计问题转换为每条子路径的参数估计问题。其中，每条路径所需计算的参数包含到达角以及损耗系数。在对到达角进行估计的过程中，先构建并平滑每个用户的信道协方差矩阵，利用基于随机矩阵近似分解的快速music谱搜索和估计技术精确估计到达角，而后，基于估计所得到的doa，采用波束成形技术准确估计每个到达方向上的信道增益系数，这样，单个用户的信道状态信息能够被准确估计出来，最终，获得所有用户的联合信道状态信息，即得到高精度的信道模型矩阵。
[0038]
如图1所示，为本发明信道估计的一个应用场景，基站端部署massive mimo天线，每个用户都存在多径。用户向基站端发送导频信号，设基站端天线排布为均匀线阵，其中阵元间距为半波长；设基站端天线数目为n
r
；设用户数目为n
t
，且用户之间发射的导频信号正交；设用户与基站之间存在多径且多径数目为p。设用户发射的导频信号矩阵为x，矩阵x中的行代表每个用户发送的导频信号且行与行之间相互正交，用户和基站之间的联合信道状态信息矩阵为h，h使用波束域信道模型的建模，则在基站端接收到的所有用户发射的导频信号的观测结果可表示为y，如下：
[0039]
y＝hx+n
[0040]
其中，n是指信道噪声干扰项。
[0041]
如图2所示，本发明提供的多用户大规模mimo信道估计装置，布置在基站端，主要包含五个模块，分别为用户接收信号模块1、接收信号协方差矩阵平滑模块2、用户到达角快速估计模块3、波束成形技术估计信道增益模块4以及信道状态信息矩阵重构模块5。
[0042]
用户接收信号模块1利用各个用户之间发送导频信号的正交性，重新获取基站对各用户的接收信号向量y
i
，i＝1,2,
…
,n
t
，并利用其来做后续的信道分层估计。用户接收信
号模块1将基站的总接收信号矩阵和每个用户的导频信号矩阵进行相乘得到包含单用户信道状态信息的接收向量，即y
i
＝yx(i,:)
t
,其中，x(i,:)表示用户i的导频向量，y
i
即正交处理后第i个用户的接收信号向量，上角标t表示转置。接收信号向量y
i
中包含了第i个用户到基站之间所有多径的路径增益以及到达角,其秩为1。本发明实施例中，用户i即第i个用户。
[0043]
接收信号协方差矩阵平滑模块2采用空间平滑技术对用户i的接收信号向量y
i
进行采样重构，获得用户i的接收信号协方差矩阵，i＝1,2,
…
,n
t
。接收信号协方差矩阵平滑模块2对利用正交特性得到的接收信号向量y
i
，确定平滑因子l并构建协方差矩阵r
yi
，如下：
[0044][0045]
协方差矩阵r
yi
尺寸大小为l*l。l是正整数。上角标h表示共轭转置。y
i
(j:j+l-1)指使用接收信号向量y
i
的第j到j+l-1个元素进行重构的向量，矩阵r
yi
是由秩为1的y
i
(j:j+l-1)平滑得到的，即上述秩-1子空间，其包含目标的到达角信息。
[0046]
用户到达角快速估计模块3采用一种快速music谱估计方法，从协方差矩阵r
yi
中获取高精度的doa信息。本发明所使用的快速music谱估计方法是对传统music算法进行了改进。对于协方差矩阵r
yi
，传统music算法是直接对r
yi
进行奇异值分解(svd)，并取前k个奇异值组成的信号子空间来对目标的到达角度进行谱搜索。本发明的快速music谱估计方法利用了随机矩阵逼近技术，实现对到达角的快速估计。
[0047]
具体地，本发明先对协方差矩阵r
yi
的行和列进行随机采样，采样数目均为s，s＝2*l，可得到采样后的交叉矩阵h1＝r
yi
(i,j)，i和j分别表示采样的行和列的索引构成的集合；接下来，对矩阵h1求伪逆得到矩阵h2，然后再对矩阵h2进行svd分解，取前k个奇异值组成的子空间矩阵为信号子空间，利用信号子空间和噪声子空间的正交性对目标的到达角度进行谱搜索，最终得到包含目标用户i的所有多径的doa信息θ
i,j
，j表示用户i的第j条多径，θ
i,j
为用户i的第j条多径的到达角。由通过分析可知，本发明所采用的music谱估计方法的复杂度远小于直接采用svd分解的原music算法，将music谱估计复杂度降低至线性，但是搜索精度十分接近。
[0048]
波束成形技术估计信道增益模块4在估计得到的θ
i,j
的基础上进一步估计信道增益系数。波束成形技术估计信道增益模块4利用每个用户在基站端的输出y
i
和信道模型中角度θ
i,j
以及增益g
i,j
之间的关系，在每个方向上采用波束成形技术，估计当前用户在每条多径上的信道增益g
i,j
。
[0049]
信道状态信息矩阵重构模块5在得到的θ
i,j
和g
i,j
的基础上，借助信道模型将第i个用户的信道信息重构如下：
[0050][0051]
其中，k代表当前用户i传输过程中产生的多径数目；向量a(θ
i,j
)如下：
[0052][0053]
其中，d表示基站端的massive mimo天线阵列的阵元间距，本发明实施例中d为发射信号的半波长，λ表示发射信号的波长,上角标表示虚数单位。
[0054]
当所有用户的信道状态都被估计出来之后，将其进行合并最终获得基站端和所有用户之间的状态信息矩阵h，如下：
[0055][0056]
如图3所示，本发明对应提供的多用户大规模mimo信道估计方法主要包括如下五个步骤：(1)用户接收信号获取；(2)接收信号协方差矩阵平滑；(3)用户到达角快速估计；(4)波束成形技术估计信道增益；(5)信道状态信息矩阵重构。
[0057]
步骤(1)：基站端获得对所有用户发射的导频信号的观测矩阵y，根据用户发送导频信号的正交性，将y和每个用户的导频信号向量相乘，得到单用户的接收信号向量，具体如用户接收信号模块中方式获得单用户的接收信号向量。用户i的接收信号向量y
i
中包含用户i到基站之间所有多径的路径增益以及到达角。
[0058]
步骤(2)：确定平滑因子l，使用y
i
的第j到j+l-1个元素重构向量y
i
(j:j+l-1)，由秩为1的向量y
i
(j:j+l-1)平滑得到用户i的接收信号协方差矩阵r
yi
，矩阵r
yi
包含目标的到达角信息。用户i的接收信号协方差矩阵r
yi
的计算如上述接收信号协方差矩阵平滑模块2中公式获得。
[0059]
步骤(3)：对用户i的接收信号协方差矩阵r
yi
，利用快速music谱估计方法获取用户i的所有多径的到达角度。所采用的快速music谱估计方法如上述用户到达角快速估计模块3中记载。
[0060]
步骤(4)：对每个用户的每个多径角度方向，采用波束成形技术计算信道增益参数。
[0061]
步骤(5)：基于步骤(3)获得的到达角度和步骤(4)获得的信道增益重构每个用户的信道状态信息。当所有用户的信道状态信息都被估计出来之后，将其进行合并获得基站端和所有用户之间的状态信息矩阵n
t
为用户数目。具体重构每个用户的信道状态信息如上述信道状态信息矩阵重构模块5中的公式记载。
[0062]
对本发明技术方案与多个传统信道估计方案进行信道估计的仿真实验，实验结果如图4和图5所示。所对比的传统方案包括：最小二乘估计(ls)，svp(singular value projection)，最小均方误差估计(mmse)。本发明在图中用proposed表示。
[0063]
图4是在信道满秩情况下，使用本发明方案与多个传统信道估计方案进行信道估计的性能对比。图4横坐标代表发射的导频信号x与环境噪声n的功率比值，即信噪比(signal to noise ratio,snr)，纵轴表示信道估计归一化均方误差。此处，假设经过信道估计算法后得到的信道矩阵为原始信道矩阵为h,那么y轴的值被定义如下：
[0064][0065]
ε值越低，表示信道估计误差越小，信道估计方法的准确性能越好。通过图4，可以看到，本发明技术方案的性能要远超过目前已有的所有的信道估计方案，尤其是线性最优的mmse信道估计器。
[0066]
图5是本发明技术方案与多个传统信道估计方案在计算复杂度的对比，是将各信道估计方案从执行开始到估计出信道矩阵所需的cpu运行时间对比，横轴表示基站端massive mimo天线阵列的天线数目变化情况，纵轴表示运行时间对比。从图5中可以明显看
出各种信道估计方案所需的计算复杂度，但在很多对信道估计有着低复杂度要求的场景下，一些估计算法无法使用。本发明所提供的技术方案相较于除了ls外的其他方案，具有更低复杂度的优势。
[0067]
通过仿真实验证明，本发明提供的信道估计装置及方法在信道满秩或者低秩情况下都具有十分优异的性能，超过了现今的最优mmse信道估计器，并且本发明技术方案还具有很低的复杂度。这对于大规模天线场景下的信道估计来说具有十分重大的意义，尤其是当下5g通信场景对时延和传输速率有很高的要求。无论从复杂度还是性能角度上看，本发明中的信道估计装置及方法都能够完美的适用。