基于压缩感知的fdd下大规模mimo信道估计的导频优化方法

文档序号:10615779阅读:1472来源:国知局
基于压缩感知的fdd下大规模mimo信道估计的导频优化方法
【专利摘要】本发明公开了一种基于压缩感知的FDD下大规模MIMO信道估计的导频优化方法,首先在大规模MIMO系统中将信道可建模为Y=HX+N,其中为信道矩阵,为导频矩阵,为接收信号矩阵,为信道噪声,M是发射天线数目,T为导频数目;然后将信道矩阵转化为其中代表信道矩阵的变换形式,代表导频矩阵的变换形式,代表接收端接收信号的变换形式;最后求得最优导频矩阵。由于是一个稀疏向量,信道估计问题可以建模为压缩感知重建问题:||*||1代表1?范数,||*||2代表2?范数,0<ε<1。能够确保基于压缩感知的FDD的MIMO下行链路信道估计能够显著地降低信道估计的均方误差,提高信道估计的性能。
【专利说明】
基于压缩感知的FDD下大规模MI MO信道估计的导频优化方法
技术领域
[0001] 本发明设及通信系统导频辅助的信道估计和导频设计技术领域,尤其设及一种基 于压缩感知的F孤下大规模MIMO信道估计的导频优化方法。
【背景技术】
[0002] 现代无线通信中,抑D下(Frequen巧Division Duplexing频分双工)大规模MIMO 系统自由度增加,多天线带来的分集和复用增益,能够显著提高频谱效率和能量效率。基站 为了获取空间复用增益和阵列增益,基站发送端或用户接收端需已知信道状态信息(CSI, channel state information),运就需要通过信道估计获取。TDD模式的大规模MIMO系统 中,基站能够获取信道上行链路CSI,而且信道互惠性使得下行链路的信道估计变得相对容 易。抑D模式大规模MIMO系统的一个挑战就是导频数目随着发射天线数目增长而线性增长, 导致导频开销巨大,降低通信系统效率,而且精确估计下行链路的CSI不是很容易。由于F孤 对于延迟敏感型系统更有效率且目前大多数蜂窝网都在使用采用了 F孤,因此研究F孤下更 为有效的信道估计很有必要。
[0003] 基站大量的发射天线造成有限局部散射。随着发射天线的增加,信道呈现稀疏性 质。利用信道隐含的稀疏性质进行信道估计,可W减少导频的数目,从而提高系统的有效 性。
[0004] 压缩感知在信号和图像处理领域应用广泛。压缩感知基于将目标信号稀疏化并选 择合适的测量矩阵,将稀疏信号采样和压缩同时进行,只需传输少量的数据,接收端根据相 应恢复矩阵将信号恢复。压缩感知理论在信道估计方面已经展现出了优越的性能。在大规 模MIMO系统中,可W利用压缩感知重建算法进行信道估计,从而减少导频的数量。

【发明内容】

[0005] 本发明所要解决的技术问题是针对【背景技术】中所设及到的缺陷,提供一种基于压 缩感知的FDD下大规模MIMO信道估计的导频优化方法,使得获取的最优导频矩阵让信道估 计的M沈显著降低,提高信道估计的性能。
[0006] 本发明为解决上述技术问题采用W下技术方案:
[0007] 基于压缩感知的F孤下大规模MIMO信道估计的导频优化方法,所述F孤大规模MIMO 信道为平坦衰落信道,基站有M个发射天线,小区内每个用户的天线数为1,基站发射长度为 T的导频训练序列,所述导频优化方法包括W下步骤:
[000引步骤1),建立信道模型Y =册+N;
[0009]其中,H e护XM为信道矩阵,X € £MxT为导频矩阵,Y € 为接收信号矩阵, N e护XT为信道加性高斯噪声,C表示复向量空间;
[0010] 步骤2),令

使得信道模型与压缩感知模型相对应,得到与压缩感知模型 相对应的信道模型日+巧;.
[00川其中,Ar €护八,如e €MXM是酉矩阵,村W € ClxM是角度域信道矩阵,P为导频符 号的信噪比,(*)H表示对矩阵或向量进行共辆转置;PT为传输T个导频符号的信噪比;上标 CO为角频率的符号,用于说明H"为信道矩阵H在角度域的表示;狂e 代表信道矩阵的变 换形式,又e (CTX'M代表导频矩阵的变换形式,Y 6 CTXl代表接收端接收信号的变换形式. [0012]步骤3),初始化迭代总次数Iteropt、当前迭代次数q=l、第一次迭代时的导频矩阵 焉二怒務g阵元素满足正态分布,即Xij~ew'(o, 5^),i = 1,2... T,j = 1,2... M;
[0013] 步骤4),求当前格拉姆矩阵Gq -謂^馬为当前导频矩阵;
[0014] 步骤5),根据预设的缩减系数丫计算缩减后格拉姆矩阵<(lq.
[0015]
[0016] 其中,i,j = 1,2. . .M,gij为矩阵Gq元素,麵为矩阵Gq的元素;
[0017] 步骤6),使用奇异值分解将每降秩,保留最大的前T个奇异值,并根据该前T个奇异 值获得矩阵
[0018] 步骤7),4
方根分解得到Zq,即得到下一次迭代时的导 频矩阵;
[0019] 步骤8),对当前迭代次数q进行加1;
[0020] 步骤9),重复执行步骤4)到步骤8),直到当前迭代次数q等于迭代总次数Iteropt;
[0021] 步骤10),输入优化的矩阵苗Pt二Zq。
[0022] 作为本发明基于压缩感知的F孤下大规模MIMO信道估计的导频优化方法进一步的 优化方案,所述预设的缩减系数丫为0.95。
[0023] 作为本发明基于压缩感知的F孤下大规模MIMO信道估计的导频优化方法进一步的 优化方案,所述迭代总次数IterDPt为800次。
[0024] 本发明采用W上技术方案与现有技术相比,具有W下技术效果:
[0025] 在FDD大规模MIMO系统的基于压缩感知信道估计中,与使用随机生成的非优化导 频矩阵相比,使用本发明获得的最优导频矩阵能够显著地降低信道估计的均方误差(mean square error,MSE)。提高信道估计的性能。
【附图说明】
[0026] 图1是不同导频数目的导频矩阵优化与非优化对重建性能的影响;
[0027] 图2是不同发射天线数目的导频矩阵优化与非优化对重建性能的影响。
【具体实施方式】
[0028] 下面结合附图对本发明的技术方案做进一步的详细说明:
[0029] 本发明包含两个主要技术问题,一个是将信道估计问题转化为压缩感知问题,从 而将导频序列优化问题建模为一压缩感知中测量矩阵优化问题;另一个是提出导频优化算 法,求解该测量矩阵优化问题,从而获得最优的导频矩阵。下面分别介绍运两个部分的实施 方式,并通过仿真说明本导频分配方法对提高基于压缩感知信道估计性能的有益效果。
[0030] (一)导频优化准则的获取
[0031] 考虑FDD模式下一个大规模MIMO系统,其信道为平坦衰落信道,基站有M个间隔半 波长的均匀发射天线,小区内每个用户只有一根天线。基站发射长度为T的导频训练序列。 记第i个时隙的导频信号为% e CM?,i = l,2,. . .,T,则接收天线上接收到的信号yi为:
[0032] yi =化i+ni,i = l,2,. . .,T (1)
[0033] 信道矩阵町e CiXM为准静态信道,Hi e:'公Xi为加性高斯噪声。记X 挺,私..',听;1 e
[0034] Y =册+N (2)
[0035] 每导频时隙信噪比记为P,T个导频时隙总的信噪比为tr(XHx)=PT。
[0036] 实际使用中,虚拟角域表示能够使非线性的信道模型参数近似线性,对信道进行 虚拟表示处理W便于进行分析和估计。非选择性MIMO信道的虚拟表示为:
[0037]

[003引 Ar e C心1,A.,. e 是酉矩阵,M是发射天线数目。!.P e於XM是角度域信道矩 阵。因基站存在局部散射效应,H"是稀疏的。
[0039] 将式(2)转换为压缩感知模型。将
[0040] (4)
[0041] 馈
[0042] i代入式(2),得到:
[0043]
[0044] 式(6)与有噪的压缩感知模型(7)相对应:
[0045] y = Ds+N (7)
[0046] 其中T X 1的S是稀疏信号,D €护XM为恢复矩阵,N e CTXi为加性高斯噪声。稀疏 信号S求解问题可转化为:
[0047] 含0 ? arg 岐-Dslls < £: 资)
[004引e为接近零的正常数。
[0049] 可W得到:导频矩阵对应于测量矩阵D,H是稀疏信号,对应于S。由此,估计信道 参数Il的问题可转化为压缩感知理论中稀疏信号重建问题。同时,导频序列的优化问题也可 转化为压缩感知的测量矩阵优化问题。
[0050] 为了对压缩感知问题求解,若恢复矩阵D满足互不相关性(Mutual Incoherence Property,MIP),此时就能W很大的概率准确重建稀疏信号。因此,压缩感知问题求解和测 量矩阵优化问题能够WMIP为依据。
[0化1]对于一个恢复矩阵D e 它的互相关值定义为最大的两个不同列之间内积归 一化的绝对值,即
[00对
梯)
[0053] 互相关值WD}反映了测量矩阵的两列之间最大的相似性。互相关值的另一种表现 形式如下:格拉姆矩阵G = D化,D为列归一化后的形式。G的非对角元素gi,功式(9)中出现的 内积,互相关数为非对角元素的最大值。互相关值代表了矩阵元素之间最大的相关性,已有 文献表明,互相关值越小,重建误差也越小。因此,互相关值的减小直接影响着压缩感知恢 复算法重建性能。
[0054] (二)导频矩阵优化算法
[0化5] 通过降低格拉姆矩阵G的iit进行导频矩阵X的优化。优化的核屯、思想是选取合适的 优化n限t对G的元素I gu I进行缩减,即针对大于t值的I gu I进行优化,t G [0,1)。缩减方程 变为:
[0056] Iij = Ygij, Igijl > 〇〇)
[0057] 丫为衰减因子,取0.95。得到缩减后的矩阵径,新'为矩阵泛的元素。由于径的秩可能 大于导频矩阵的行数,为了对其进行平方根分解得到优化的导频矩阵,需要使用奇异值分 解(Singular Value Decomposition,SVD)将G的秩降为T。降秩的具体过程如下:在第q次迭 代中,使用SV明尋我J降秩保留前T个奇异值,得
[005引
(U)
[0059] 化和Vm分别为TXT和MXM的酉矩阵,I:对角线为奇异值,并由狂1、=巧^平方根分 解得到Zq,令兩i 上缩减和降秩等过程需迭代多次,W使互相关数减小到相对稳定的 值。迭代结束我们得到经过优化的矩阵家vpt,最后根据式(5)得到最终的优化导频矩阵Xnpt。 导频优化具体过程如算法1所示:
[0060] 算法1:导频矩阵的优化算法
[006。 输入:导频矩阵X e £?XT,它是随机生成的高斯矩阵,矩阵元素邸~紛T典舍),i = 1,2...M,j = l,2...T,满足独立同分布。其每行代表基站每根天线发送数目为T的导频序 列。
[0062] 步骤1),求态根据式(5)从X中求得襄
[0063] 步骤2),优化得到Xopt;初始化迭代次数q = l,置=系共迭代Iterupt = SOO次。
[0064] 步骤2.1),求格拉姆矩阵Gq:由Gq二苟Sq求得;
[0065] 步骤2.2),求Gq;根据式(10)获取缩减后格拉姆矩阵馬5;
[0066] 步骤2.3),求Zq:使用5¥0将^降秩,保留最大的前T个奇异值获得矩阵斬,并由 哲了 -马Zq平方根分解得到Zq,Zq严哀朴!-;
[0067] 步骤2.4),判断:若q达到Iterupt次,跳出循环,得到优化的矩阵Sopt二Zq,否则,置 q = q+l,跳至步骤2.1)。
[006引步骤3),将优化的导频矩阵= Zq输出。
[0069] 在下节中,我们将通过仿真说明由算法1获得的导频矩阵同未优化的导频矩阵相 tk,将能使基于匹配正交追踪(〇:rthogonal Matching化rsui t,0MP)的抑D大规模MIMO下 行链路信道估计获得更小的均方误差,从而使系统得到更高的信道估计性能。
[0070] (立)仿真结果
[0071] 基于仿真需要,仿真中使用的虚拟角域信道矩阵H"采用3GPP的空间信道模型 (Spatial化annel Model SCM)并基于城市微蜂窝场景生成。导频长度为T,基站发射天线 数目为M,信号稀疏度K。仿真中,导频序列采用时分方式发送。信道矩阵H"是稀疏的,令稀疏 度K为6。如式(2)所示,基站发射信号Y至用户,根据式(4)将信号转换为符合压缩感知模型 形式的斬由于接收端已知导频X,根据式(5)转换为亥。针对式(6)我们根据压缩感知重建算 法OMP来恢复信道矩阵好,经过转换得到信道矩阵H,完成信道估计。我们采用归一化MSE来衡 量稀疏信号恢复性能的优劣。MSE定义为:
[0072]
(12)
[0073] 其中Sk代表稀疏信号!!中第k个元素,?代表重建的觀中第k个元素。我们从不同 导频数目和不同发射天线数目两个方面进行仿真分析。
[0074] 1)我们首先研究不同导频数目情况下的优化导频矩阵对信道估计性能的影响。基 站发射天线数目M选为200,选取导频数目T分别为20,30和40。仿真结果如图1所示。结果表 明,不同导频数目下,导频的优化与不优化之间的重建性能均存在很明显的差异。在SNR为 25dB时,使用20个导频和30个导频时,使用优化的导频可W使得M沈降低1~2地;当SNR更大 时,MSE能够进一步下降。值得注意的是,导频数为30时使用优化导频矩阵的信道估计MSE和 导频数为40时使用未优化导频矩阵的MSE很接近。也就是在相同的重建性能的前提下,使用 优化的导频可W使导频的数量降低,从而提高系统的有效性。另外,从仿真曲线可W看出 来,随着导频数目的增加,显然运种优化效果会逐渐减弱。
[0075] 2)我们研究基站发射天线数目不同时,导频矩阵优化对信道估计MSE的改善情况。 考虑导频数目为30,基站发射天线数目分别为100,200和300。由图2可W看出,随着基站发 射天线数目的增加,信道矩阵的恢复性能下降。但在=种不同的发射天线数目的情况下,在 正常的SNR大于15地信号传播环境下,导频矩阵的优化能够取得良好的重建效果。在SNR为 25地时,S种发射天线数目情况下,使用优化的导频矩阵比非优化的导频矩阵能够降低信 道估计的M沈约1.5地。当SNR更大时,运个值将可达到4地。从图2仿真曲线还可W看出,基站 发射天线数目较多时,优化导频带来的MSE性能改善越大。
[0076] 从仿真中可W看出,在高信噪比时,即SNR大于15地时,无论是导频数目变化还是 基站发射天线变化,使用优化的导频序列都能有效的降低信道估计的MSE。
[0077] 本技术领域技术人员可W理解的是,除非另外定义,运里使用的所有术语(包括技 术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还 应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中 的意义一致的意义,并且除非像运里一样定义,不会用理想化或过于正式的含义来解释。
[0078] W上所述的【具体实施方式】,对本发明的目的、技术方案和有益效果进行了进一步 详细说明,所应理解的是,W上所述仅为本发明的【具体实施方式】而已,并不用于限制本发 明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明 的保护范围之内。
【主权项】
1. 基于压缩感知的FDD下大规模ΜΙΜΟ信道估计的导频优化方法,所述F孤大规模ΜΙΜΟ信 道为平坦衰落信道,基站有Μ个发射天线,小区内每个用户的天线数为1,基站发射长度为Τ 的导频训练序列,其特征在于,所述导频优化方法包括W下步骤: 步骤1),建立信道模型Υ = ΗΧ+Ν; 其中,材e CixM为信道矩阵,装€ cMxT为导频矩阵,Υ g cixT为接收信号矩阵,Ν e 为信道加性高斯噪声,C:表示复向量空间; 步骤2),令使得信道模型与压缩感知模型相对应,得到与压缩感知模型 相对应的信道模型T -顯:+巧; 其中,如€屯^1,At € CMxM是酉矩阵,沪> €狂心Μ是角度域信道矩阵,P为导频符号的 信噪比,(*)Η表示对矩阵或向量进行共辆转置;ΡΤ为传输Τ个导频符号的信噪比;上标ω为 角频率的符号,用于说明Η"为信道矩阵Η在角度域的表示;抹€ CMxi代表信道矩阵的变换形 式,哀e CTXM代表导频矩阵的变换形式,亨g CTX1代表接收端接收信号的变换形式; 步骤3),初始化迭代总次数IterDpt、当前迭代次数q=l、第一次迭代时的导频矩阵 齊二.系敷E阵元素满足正态分布,即%心CJVX战岩,i = l,2.. .T,j = l,2.. .M; 步骤4),求当前格拉姆矩阵Gy = 为当前导频矩阵; 步骤5),根据预设的缩减系数丫计算缩减后格拉姆矩阵 lij ? ygii 其中,i,j = l,2. . .M,gu为矩阵Gq元素,縣为矩阵Gq的元素; 步骤6),使用奇异值分解将tiq降秩,保留最大的前T个奇异值,并根据该前T个奇异值获 得矩阵Gt:; 步骤7),令^(-馬+!,由6.!' -巧Zq平方根分解得到Zq,即得到下一次迭代时的导频矩 阵; 步骤8),对当前迭代次数q进行加1; 步骤9),重复执行步骤4)到步骤8),直到当前迭代次数q等于迭代总次数Iternpt; 步骤10),输入优化的矩阵家,pt = 2q。2. 根据权利要求1所述的基于压缩感知的F孤下大规模ΜΙΜΟ信道估计的导频优化方法, 其特征在于,所述预设的缩减系数γ为0.95。3. 根据权利要求1所述的基于压缩感知的F孤下大规模ΜΙΜΟ信道估计的导频优化方法, 其特征在于,所述迭代总次数IterDpt为800次。
【文档编号】H04L5/00GK105978674SQ201610312810
【公开日】2016年9月28日
【申请日】2016年5月12日
【发明人】何雪云, 胡培利
【申请人】南京邮电大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1