一种MIMO中继系统中联合信号检测与信道的估计方法与流程

本发明属于mimo中继系统技术领域，尤其涉及一种mimo中继系统中联合信号检测与信道的估计方法。

背景技术：

mimo中继技术能扩大网络覆盖面，克服阴影效应，提高通信系统的有效性和可靠性成为当前的无线通信领域的一个研究热点。对于mimo中继系统，中继通常采用放大转发(af)，解码转发(df)和压缩转发(cf)三种策略，其中af策略由于实现简单而得到了广泛的使用。当前已有大量有关mimo中继的研究如中继信道容量分析，最优功率分配和二元性分析等，这些研究都是在假设已知精确的csi条件下进行的。但是在实际通信中，信道的csi是未知的，需要被估计。传统的信道估计方法通常采用发送导频信号的方式来获取csi，但是当信道状态变换较快时，需要频繁地发送导频信号对信道进行估计。导频信号的频繁发送需要占用相当一部分的频谱资源，因而降低了系统的频谱效率。parafac模型的3个维度可与通信中的空域、时域和码域相结合，无需信道和编码矩阵等具体信息，就能实现信息符号的检测。因此，parafac模型已得到相关学者的广泛关注和研究。已有研究表明parafac建模技术应用于mimo中继系统也能有效地估计信道，利用信源发送信道训练序列的方式，在信宿端对接收信号进行处理，并构造paragac模型，并拟合该模型，从而实现信源至中继信道和中继至信宿信道的联合估计。采用信源发射1次信道训练的方法，并设计了一种低复杂度的算法。与基于最小二乘的信道估计方法相比，都需要较少信道训练序列；仍然需要发送信道训练序列，并没有充分发挥parafac模型的优点。

技术实现要素：

本发明的目的在于提供一种mimo中继系统中联合信号检测与信道的估计方法，旨在解决采用信源发射1次信道训练的方法，仍然需要发送信道训练序列，并没有充分发挥parafac模型的优点。

本发明是这样实现的，一种mimo中继系统中联合信号检测与信道的估计方法，这种方法能够在不增加传输带宽的条件下成倍地提高无线信道的信道容量,因此被认为是下一代移动通信系统4g的关键技术之一。所述mimo中继系统中联合信号检测与信道的估计方法采用als算法对所构造的parafac模型进行拟合；接收端已知扩展码矩阵c，c为范德蒙矩阵；对于两个未知加载矩阵，每一步更新其中一个矩阵，用已估计的矩阵作为待估矩阵的初始值，依次交替迭代更新直至收敛，得：

其中，和分别表示h(srd)和x的估计值，||·||f表示frobenius范数。

进一步，所述als算法的实现步骤如下：

步骤一，随机初始化矩阵设δ(0)＝∞，i＝1；

步骤二，利用按照式更新矩阵x；

步骤三，利用按照式更新矩阵h(srd)；

步骤四，计算

步骤五，若|δ(i-1)-δ(i)|/δ(i)≤10^-6，则迭代结束；否则另i＝i+1，程序调至步骤二；

其中，i表示迭代次数，由于矩阵c已知，估计矩阵与原矩阵h(srd)、x之间只存在尺度模糊，该尺度模糊可以通过标准化的方式消除；此时，所估计的信号

进一步，所述mimo中继系统中联合信号检测与信道的估计方法利用krst与编码对信源端的发送信号进行编码，信源发送的信息符号矩阵为其中每一个信息符号向量为sn满足功率限制条件采用对每一信息符号向量sn进行编码，然后对编码后的信号ξsn进行对角化，可得信号最后对信号后乘扩展码矩阵获得时间分集，信源的发送信号矩阵表示为：

u＝diag(ξsn)c；

于第n个信息符号向量，信宿的接收信号为：

其中为组合信道矩阵，为噪声矩阵，表示对角化操作，即取括号中矩阵的第n行元素置于对所得矩阵的对角线上，所得矩阵的其他位置元素都为0。

进一步，所述parafac模型为：

其中，y＝(n,md,l)和v(n,md,l)分别为三维矩阵和中的典型元素，x(n,ms)、h(md,ms)和c(ms,l)分别为x、h(srd)和c中的对应元素；x、h(srd)和c为parafac模型的三个加载矩阵，根据parafac模型剖面特性；另外两种剖面矩阵的表示形式为：

其中定义k(·)表示k秩，根据parafac模型唯一性定理，若：

则该parafac模型具有分解唯一性，即估计矩阵和与原矩阵x、h(srd)、c之间只存在列模糊与尺度模糊。

本发明的另一目的在于提供一种利用所述mimo中继系统中联合信号检测与信道的估计方法的mimo中继系统。

本发明提供的mimo中继系统中联合信号检测与信道的估计方法，在未知信道csi的条件下，该方法在信宿能有效地检测号并估计出信道状态信息。本发明全面分析了系统各个参数对所提方法性能的影响。当扩展码长度较时，信号检测ber性能接近于非盲检测方法的性能，仿真验证了所提方法的有效性。本发明针对mimo中继系统，在信源对信息符号进行khatri-rao空时编码，中继采用af方式将接收的信号转发至信宿，在信宿端对所接收的信号构造parafac模型并拟合该模型从而联合估计信号与信道矩阵。

与传统的信道估计方法和已有的基于parafac模型的信道估计方法相比，所提方法在不需要发送信道训练序列的情况下，能有效地估计信号，并同时估计出中继系统信道的csi。

附图说明

图1是本发明实施例提供的两跳afmimo中继系统结构示意图。

图2是本发明实施例提供的不同信源天线数目下的ber曲线示意图。

图3是本发明实施例提供的不同信源天线数目下的nmse曲线示意图。

图4是本发明实施例提供的不同中继天线数目下的ber曲线示意图。

图5是本发明实施例提供的不同中继天线数目下的nmse曲线示意图。

图6是本发明实施例提供的不同信宿天线数目下的ber曲线示意图。

图7是本发明实施例提供的不同信宿天线数目下的nmse曲线示意图。

图8是本发明实施例提供的不同扩展码长度下，两种方法的ber曲线示意图。

图9是本发明实施例提供的不同扩展码长度下，两种方法的nmse曲线示意图。

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。

下面结合附图对本发明的应用原理作详细的描述。

1、系统模型

1.1两跳af中继

图1为两跳afmimo中继系统框图，其中包括一个信源、一个中继和一个新宿；信源、中继和新宿分别配置ms、mr和md根天线，中继采用放大转发方式，和分别为信源至中继和中继至信宿的信道矩阵，假设信道h(sr)和h(rd)都为准静态平坦衰落信道，即在一定时间内，h(sr)和h(rd)的信道状态是恒定不变的，信道中的元素都是均值为0方差为1的独立同分布的复高斯随机变量。

该系统中信源与信宿之间的通信过程为两个时隙，在第一时隙里，信源发送信号至中继，此时中继接收的信号为：

其中为t时刻中继出的噪声向量。

在第二个时隙中，中继对接收的信号y(r)(t)进行放大并转发只信宿，此时信宿接收的信号为:

y(d)(t+1)＝h(rd)fy(r)(t)+v(d)(t+1)＝

h(rd)fh(sr)u(t)+h(rd)fv(r)(t)+v(d)(t+1)(2)

其中，为对角中继放大矩阵，和分别表示中继和信宿处的噪声矩阵，v(r)和v(d)中的元素都是均值为0方差为1的独立同分布的复高斯随机变量。

1.2信号构造

本发明利用krst与编码对信源端的发送信号进行编码，假设信源发送的信息符号矩阵为其中每一个信息符号向量为sn满足功率限制条件为了获得分集目的，首先采用对每一信息符号向量sn进行编码，然后对编码后的信号ξsn进行对角化，可得信号最后对信号后乘扩展码矩阵其目的是为了获得时间分集，此时，信源的发送信号矩阵可表示为：

u＝diag(ξsn)c(4)

由式(3)可知，对于第n个信息符号向量，信宿的接收信号为：

其中为组合信道矩阵，为噪声矩阵，dn(·)表示对角化操作，即取括号中矩阵的第n行元素置于对所得矩阵的对角线上，所得矩阵的其他位置元素都为0。

2parafac模型及其分解唯一性

定义为信宿接收所有n歌信息符号向量所构成的矩阵，根据式(5)可得：

其中表示khatri-rao乘积，式(6)可建模为如下parafac标准模型：

其中，y＝(n,md,l)和v(n,md,l)分别为三维矩阵和中的典型元素，x(n,ms)、h(md,ms)和c(ms,l)分别为x、h(srd)和c中的对应元素。x、h(srd)和c为该parafac模型的三个加载矩阵，根据parafac模型剖面特性，式(7)的另外两种剖面矩阵的表示形式为：

其中定义k(·)表示k秩，根据parafac模型唯一性定理，若：

则该parafac模型具有分解唯一性，即估计矩阵和与原矩阵x、h(srd)、c之间只存在列模糊与尺度模糊。

3、als接收算法的设计

由于als算法实现简单，且拟合精度较高，因此被广泛用于拟合张量模型，本发明采用als算法对所构造的parafac模型进行拟合，假设接收端已知扩展码矩阵c，c为范德蒙矩阵，所设计als算法的基本原理是，对于两个未知加载矩阵，每一步更新其中一个矩阵，用已估计的矩阵作为待估矩阵的初始值，依次交替迭代更新直至收敛，利用式(8)与式(9)，可得：

其中，和分别表示h(srd)和x的估计值，||·||f表示frobenius范数，als算法的实现步骤如下：

步骤1)，随机初始化矩阵设δ(0)＝∞，i＝1；

步骤2)，利用按照式(12)更新矩阵x；

步骤3)利用按照式(11)更新矩阵h(srd)；

步骤4)计算

步骤5)若|δ(i-1)-δ(i)|/δ(i)≤10^-6，则迭代结束；否则另i＝i+1，程序调至步骤2)。

其中，i表示迭代次数，由于矩阵c已知，估计矩阵与原矩阵h(srd)、x之间只存在尺度模糊，该尺度模糊可以通过标准化的方式消除。此时，所估计的信号

下面结合仿真分析对本发明的应用效果作详细的描述。

使用计算机仿真对所提方法的性能进行验证，所提方法的性能由信号检测的误比特率(ber)性能与信道的估计精度进行衡量，发送信号采用qpsk调制方式，组合信道h(srd)的估计精度由归一化均方误差(nmse)进行表示：

其中，z表示蒙特卡洛仿真次数，h(srd),z和分别表示在第z次蒙特卡洛仿真中信道矩阵的真实值和估计值，以下所有仿真结果都由蒙特卡洛仿真5000次求平均所得，即z＝5000。假设信源发射信噪比(snr)与中继发射信噪比相等，下面分别对不同信源天线数目、中继天线数目、信宿天线数目和扩展码长度下所提方法的性能进行了仿真和分析，并与非盲信号检测方法进行了比较。

1信源天线数目的影响

首先，考察不同信源天线数目(ms＝2,ms＝4和ms＝6)对所提算法性能的影响。图2显示，随着snr的增加，所提方法信号检测的ber逐渐降低；然而当信源天线数目增加，所提方法的ber也随之增加，这是因为在所提方法中，数据流的数目等于信源天线数目，因此当其他条件不变时，若信源天线数目增加，信号数据流的数目也随之增加，信号检测的难度相对变大。图3给出了不同信源天线数目下，所提方法的信道nmse性能曲线。与图2一致，信道的nmse随着snr的增加而减少，但随着信源天线数目的增加而增加。

2中继天线数目的影响

其次，考察不同中继天线数目(mr＝2、mr＝4和mr＝6)对所提算法性能的影响。图4显示，随着中继天线数目的增加，所提算法信号检测的ber逐渐减小，这是由于当中继天线数目增多时，系统获得更多的分集，因此所提方法的信号检测性能也越好。图5显示，随着中继天线数目的增加，所提方法的信道nmse虽然有所减小，但是减少的幅度并不明显，尤其是对于mr＝4和mr＝6两者情况。这是由于中继天线数目的增多，虽然获得了更多的分集，但是需要估计的信源至中继信道与中继至信宿信道的参量也逐渐增多，因此信道的估计性能并没有得到明显的提高。

3信宿天线数目的影响

再次，考察不同信宿天线数目(md＝2、md＝4和md＝6)对所提算法性能的影响。图6与图7均表明，随着信宿天线数目的增加，所提方法信号检测的ber和信道nmse都相应减小。这是因为当信宿天线数目增加时，系统获得更多的接收分集，因此，具有更好的ber性能，并且als算法的拟合精度也得到较大幅度的提高；因为信宿天线数目增加使得als算法的拟合精度得到较大幅度的提高，虽然信宿天线数目增加会使得信道估计参数增加，但是只是仅仅使得中继至信宿的信道参数增加，因此信道的nmse仍会随着信宿天线数目增加而呈现较为明显减小。

4扩展码长度的影响

最后，考察不同扩展码长度(l＝4、l＝5、l＝6和l＝7)对所提算法性能的影响，并与非盲信号检测方法进行比较，该非盲信号检测方法假设信道的csi精确已知。由于非盲信号检测方法的csi已知，信道的nmse恒为零，因此图9并未给出其对应的nmse曲线。图8与图9均表明，随着扩展码长度的增加，所提方法信号检测的ber和信道nmse都相应减小。这是由于扩展码长度的增加使得系统获得的时间分集也相应增加，在其他条件不变时，所提方法的信号检测与信道估计性能随之增加。图8还表明，当扩展码长度较大时(l＝7)，所提方法的ber性能接近于非盲检测方法。例如，在3ber＝10^-3时，所提方法与非盲检测方法只有0.7db左右的差距。

本发明针对mimoaf中继系统，本发明提出了一种联合符号与信道估计方法。在未知信道csi的条件下，该方法在信宿能有效地检测号并估计出信道状态信息。本发明全面分析了系统各个参数对所提方法性能的影响。当扩展码长度较时，信号检测ber性能接近于非盲检测方法的性能，仿真验证了所提方法的有效性。

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。