本发明涉及无线通信领域,特别是涉及一种适用于低分辨率毫米波大规模mimo混合预编码系统和方法。
背景技术:
毫米波大规模mimo(multiple-inputmultiple-output)通信技术是支撑5g(5thgenerationcommunicationsystem,5g)的通信关键技术。毫米波大规模mimo系统通常部署成百上千根天线,若再配置价格昂贵的高精度的dac(digitaltoanalogconverter,dac)和adc(analogtodigitalconverter,adc)芯片,并且采用全数字射频链路架构势必导致射频功率开销大,信号处理复杂度高的问题。5g采用大规模mimo技术。收发信机通过配置大规模的天线,在时域和频域资源内利用大规模天线的空分复用成倍地提升频谱效率,增强信号的网络覆盖范围和系统的容量,大规模mimo技术通过依托现有的网络,可以成倍地提升网络用户的接入速率以及网络的整体容量。
5g采用毫米波通信技术。毫米波通信技术将用在高低频混合组网和链路回传。毫米波通信的一优势是毫米波频段有大量的、可用的和非授权的频谱而且比传统的低频段如,4g(4thgenerationcommunicationsystem,4g)无线通信频段,具有更大的带宽。毫米波通信的另一优势是毫米波波长处在毫米单位段,使用较小的天线尺寸(波长的一半)和天线间隔(波长的一半),使得几十根天线可被放置在1cm2内,从而使基站和终端侧均可在相对较小的空间里获得较大的波束赋形增益。
5g采用毫米波大规模通信技术。毫米波通信技术和大规模mimo技术都能分别大幅度提高无线通信的系统容量。在未来5g移动通信系统中,将这两种技术相结合是非常自然的,因为现有的移动通信工作频段主要集中在6ghz以下,使得频谱资源非常拥挤,而在毫米波频段(30ghz-300ghz)可用的频谱资源丰富,能够有效缓解目前低频段信号频谱十分拥挤的现状,可以实现极高速的通信,并支持5g传输速率和容量等方面的需求。此外,毫米波频段的信号具有更短的波长,可以减少大规模天线之间的间距,十分有利用大规模天线的部署,从而提供更显著的波束赋形增益和复用增益。因此,在未来5g移动通信系统中采用毫米波大规模mimo技术以大幅提高通信系统容量颇有潜力。
虽然理论上已证明毫米波大规模mimo技术可以将频谱效率提高数个量级,但毫米波大规模mimo技术在实用化过程中仍面临诸多挑战。首先,射频天线设计的难度明显增大,天线间急剧增加的复杂干扰使得基带信号更加难以处理等等。其次,对于大规模mimo系统,基站侧部署的大规模天线阵列,通常每根天线都连接一个专门的射频链路,这个射频链路包含模数转换器或数模转换器、调制解调器、混频器、功率放大器等。传统的低频通信系统中,这些器件已发展的较为成熟。但在大规模mimo通信系统中,这些器件会在功耗、芯片尺寸和信号处理算法等方面带来全新的挑战。虽然目前的高频段芯片封装技术已经极大地降低了电子电路成本,但是较高的功耗仍然是限制毫米波通信的主要瓶颈之一。比如,adc(或dac)通过采样、量化将射频信号转化为数字基带信号,其能量消耗通常与其分辨率成指数关系。目前的商用级高速(5gsample/s)高精度(8-12比特)adc(或dac)的功耗大概是500mw。这意味着128根大规模天线系统中每根天线若配备两个adc(或dac)(i/q两路),仅射频链路的功耗就将高达128w。
为了大幅度降低毫米波大规模mimo系统的功耗和成本,一条可行的技术路线是在收发机采用低分辨率的dac和adc芯片。但是,这将不可避免带来信号的非线性量化失真问题,进而导致现有的预编码算法无法直接应用于低分辨率大规模mimo系统中。首先,对于全数字架构的低分辨率大规模mimo系统,预编码算法、量化函数以及量化预编码设计之间的关系仍然是未知的;其次,针对模数混合架构的低分辨率大规模mimo系统,尚未见可行的预编码设计算法;然后,现有的预编码算法研究并未考虑收发信机均低分辨率量化的特点;最后,由于毫米波通信的电磁波趋向于在视距方向上传播,易被物体、建筑物和行人遮挡穿透性性弱,路径损耗高,大规模mimo和毫米波结合的特殊性不能利用3ghz频谱以下的研究方法来实现,传统的预编码技术不能直接应用于毫米波大规模mimo系统中。
目前无线通信硬件电路中,dac和adc芯片位数通常都大于10位,其中,16位dac和adc芯片主要用于基站和手机终端,由于毫米波大规模mimo系统电路中通常配置128根天线,那么基站一侧就要128*(adc*2+dac*2)=512个芯片,然后由于dac和adc芯片功耗与其分辨率成指数关系,dac和adc芯片价格与其分辨率和采样频率成线性关系,所以,必须降低系统部署的成本和运营维护成本。系统配置低分辨率的dac和adc芯片以及混合的射频链路架构是主要的解决方法。
因此,为解决上述大规模mimo预编码设计遇到的诸多挑战和难题,需要提供一种低分辨率毫米波大规模mimo混合预编码系统和一种解决低分辨率dac和adc条件下毫米波大规模mimo混合预编码系统容量的求解方法。
技术实现要素:
为了解决上述问题至少之一,本发明第一方面提供一种低分辨率毫米波大规模mimo混合预编码系统,包括:发射机和接收机,其中所述发射机包括多个数字预编码器、发送量化模块、低分辨率dac芯片、射频链、模拟预编码器和发射天线;所述接收机包括多个接收天线、模拟合并模块、射频链、低分辨率adc芯片、接收量化模块和数字合并模块;
所述发射机通过所述数字预编码器对发射信号进行数字预编码,通过所述发送量化模块将所述发射信号的数字信号转换为低分辨率数字信号,通过所述低分辨率dac芯片将所述发射信号的数字信号转换为模拟信号,经所述射频链上变频后通过所述模拟预编码器进行模拟预编码,最后经所述发射天线发送;
所述接收机通过所述接收天线接收接收信号,通过所述模拟合并模块对所述接收信号进行模拟合并,经所述射频链下变频后通过所述低分辨率adc芯片将所述接收信号的模拟信号转换为数字信号,通过所述接收量化模块将所述接收信号的数字信号转换为高分辨率数字信号,最后通过所述数字合并模块进行数字解调。
进一步地,所述射频链与所述发射天线或接收天线的连接方式为全连接阵列混合架构,即一个射频链能够驱动多个所述发射天线或接收天线以减少所述射频链的个数。
进一步地,所述模拟预编码器为模拟移相器。
进一步地,所述低分辨率dac芯片的位数应大于等于所述低分辨率adc芯片的位数。
本发明第二方面提供一种利用第一方面所述的预编码系统的预编码方法,包括:
s101:根据毫米波信道特点使用saleh-valenzuela模型建立毫米波信道矩阵;
s103:根据奇异值分解算法分解所述毫米波信道矩阵,分别计算发射机的理想模拟混合预编码fopt和接收机的理想模拟混合预编码wopt;
s105:根据所述fopt和wopt,使用正交匹配追踪算法计算发射机的模拟预编码frf和数字预编码fbb,以及接收机的模拟预编码wrf和数字预编码wbb;
s107:根据加性量化噪声模型分别计算发射机低分辨率dac条件下的量化函数和接收机低分辨adc条件下的量化函数;
s109:推导出低分辨率dac和adc条件下的毫米波大规模mimo量化混合预编码系统的表达式。
进一步地,所述发射机的数字基带信号是qpsk信号并且服从高斯分布。
进一步地,s105中使用正交匹配追踪算法计算发射机的模拟预编码frf和数字预编码fbb,具体包括:
s1051:初始化残差矩阵,设置稀疏度并定义字典;
s1053:根据所述残差和字典求解索引序号,求解索引序号和字典最大相关向量;
s1055:使用新选择的字典求解所述模拟预编码frf,更新索引模拟预编码frf;
s1057:求解所述数字预编码fbb;
s1059:更新残差矩阵。
进一步地,s107中根据加性量化噪声模型计算发射机低分辨率dac条件下的量化函数具体包括:
s1071:根据加性量化噪声原理分解量化映射输出矢量
s1073:求解因低分辨率dac引起的量化失真噪声的方差
其中,qt(fbbs)表示dac量化函数,η为低分辨率dac造成的量化误差因子,s为发射数据流,d为dac量化失真噪声,diag(.)表示取矩阵的对角元素,
进一步地,s107中根据加性量化噪声模型计算接收机低分辨率adc条件下的量化函数具体包括:
s2071:根据加性量化噪声原理分解量化映射输出矢量
s2073:求解因低分辨率adc引起的量化失真噪声的方差
其中,qr(rh)表示adc量化函数,rh表示量化之前的接收信号,rl表示量化之后的接收信号,μ为低分辨率adc造成的量化误差因子,q为adc量化失真噪声,y为接收机天线接收的接收信号。
进一步地,所述低分辨率dac芯片和所述低分辨率adc芯片的位数大于等于5。
本发明的有益效果如下:
本发明提供的一种低分辨率毫米波大规模mimo混合预编码系统和方法针对现有大规模mimo量化预编码设计的存在的问题,应用svd和omp算法推出系统具体公式并分析系统性能,在保证系统性能损失在合理范围下配置了低分辨率的dac和adc芯片,并有效降低系统功耗、成本和复杂度,对于大规模mimo系统预编码的研究具有重要意义。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明的一个实施例所述的低分辨率毫米波大规模mimo混合预编码系统框图;
图2示出本发明的一个实施例所述的低分辨率毫米波大规模mimo混合预编码系统结构图;
图3示出本发明的一个实施例所述的低分辨率毫米波大规模mimo混合预编码方法的流程图;
图4示出本发明的一个实施例所述的使用正交匹配追踪算法计算发射机的模拟预编码frf和数字预编码fbb的流程图;
图5示出本发明的一个实施例所述的根据加性量化噪声模型计算发射机低分辨率dac条件下的量化函数的流程图;
图6示出本发明的一个实施例所述的根据加性量化噪声模型计算接收机低分辨率adc条件下的量化函数的流程图;
图7示出本发明所述混合预编码方法的效果对比图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明的一个实施例提供了一种低分辨率毫米波大规模mimo混合预编码系统,包括发射机和接收机,其中所述发射机包括多个数字预编码器、发送量化模块、低分辨率dac芯片、射频链、模拟预编码器和发射天线;所述接收机包括多个接收天线、模拟合并模块、射频链、低分辨率adc芯片、接收量化模块和数字合并模块;所述发射机通过所述数字预编码器对发射信号进行数字预编码,通过所述发送量化模块将所述发射信号的数字信号转换为低分辨率数字信号,通过所述低分辨率dac芯片将所述发射信号的数字信号转换为模拟信号,经所述射频链上变频后通过所述模拟预编码器进行模拟预编码,最后经所述发射天线发送;所述接收机通过所述接收天线接收接收信号,通过所述模拟合并模块对所述接收信号进行模拟合并,经所述射频链下变频后通过所述低分辨率adc芯片将所述接收信号的模拟信号转换为数字信号,通过所述接收量化模块将所述接收信号的数字信号转换为高分辨率数字信号,最后通过所述数字合并模块进行数字解调。
如图1所示,发射机采用低分辨率dac芯片,接收机采用低分辨率adc芯片。对于单用户场景,发射机端配置
在一个具体的示例中,在发射机端,发射天线发送信号为
发射机到接收机之间的传输信道为毫米波信道矩阵h,且传输信号受到的干扰噪声为零均值、单位方差的复高斯加性噪声
类似的,接收机端配置
在接收机端,wrf是模拟域
综上所述,毫米波大规模mimo系统,在发射机采用低分辨率dac芯片和接收机采用低分辨率adc芯片条件下,收发信机系统模型可以表示为
如图2所示为收发信机结构,在发射机端,首先,做数字预编码fbb成为xh=fbbs,其次,xh经量化映射函数
进一步地,在毫米波大规模mimo系统中,收发信机端的射频链路都是经模拟移相器与天线阵列连接,使用模拟移相器实现模拟预编码器,收发信机中模拟移相器仅可以改变信号的相位而不能改变信号的幅度,因此矩阵frf和wrf里的所有的元素均匀应满足|(frf)ij|=|(wrf)ij|。
更进一步地,收发信机的射频链与天线连接的方式为全连接阵列混合架构下,即收发信机只需配置多个射频链,不需要每根天线配置一个射频链,但是,收发信机每一个射频链必须与所有的天线连接。这种架构可以使毫米波大规模mimo系统减少大量的射频链,由于每根收发信机天线与所有射频链相连,其发送信号是所有射频链信号经过模拟移相网络移相后的叠加。由于收发信机的每条射频链要驱动所有天线,其所需的模拟移相器数等于发射或接收天线与射频链数的乘积。全连接阵列混合架构相比于全数字直接连接架构可以有效降低系统能量消耗和硬件实现复杂度,系统性能高。
更进一步地,在所述低分辨率毫米波大规模mimo混合预编码系统中,发射机配置dac分辨率要尽可能的高于接收机adc的分辨率。
如图3所示,本发明的另一个实施例提供一种利用上述预编码系统的预编码方法,包括:
s101:根据毫米波信道特点使用saleh-valenzuela模型建立毫米波信道矩阵;
由于毫米波传播路径中的高自由空间路径损耗和有限散射数,毫米波信道将不再服从常规瑞利衰落。在本发明中,将采用saleh-valenzuela模型为毫米波信道分布模型。因此,毫米波信道矩阵可以表示为
其中,ncl和nray分别表示散射簇的数量和每个散射簇中的传播路径的数量,
其中,
s103:根据奇异值分解算法分解所述毫米波信道矩阵,分别计算发射机的理想模拟混合预编码fopt和接收机的理想模拟混合预编码wopt;
利用奇异值分解(singularvaluedecomposition,svd)算法分解毫米波信道矩阵h,奇异值分解算法为[u,∑,v]=svd(h),求得理想模拟混合预编码fopt和wopt,其中,fopt和wopt分别由nt×rank(h)维酉矩阵v前ns个列构成的和nr×rank(h)维酉矩阵u的前ns个列构成。
s105:根据所述fopt和wopt,使用正交匹配追踪算法计算发射机的模拟预编码frf和数字预编码fbb,以及接收机的模拟预编码wrf和数字预编码wbb。
根据所述fopt和wopt,以最小均方误差准则分解fopt和wopt。
由于模拟预编码和组合器都是由模拟移相器实现的,因此frf和wrf具有相同的模值,因此,通过凸优化的方法解决frf和wrf求解问题,并找到一个确切的解决方案是不可能。
在本实施例中,发射端利用正交匹配追踪(omp)算法分别求解模拟预编码frf和数字预编码fbb。接收端利用omp算法分别求解模拟预编码wrf和数字预编码wbb。
omp算法优化公式如下
其中,d是完备的字典,这个字典通常是已经给定的集合,y是原始信号矩阵,x是待求矩阵。omp算法思想的本质是:以贪婪迭代的方法选择字典d的列,每一次,让残差向量与已经选出来的所有向量都正交。首先,使得在每次迭代的过程中所选择的字典d的列与当前残差向量的相关性最大,然后,从原始信号向量中减去相关部分并反复迭代这一过程,只到迭代次数满足稀疏度k的要求,最后,停止迭代。
如图4所示,使用正交匹配追踪算法计算发射机的模拟预编码frf和数字预编码fbb,具体包括:
s1051:初始化残差矩阵,设置稀疏度并定义字典;
初始化残差矩阵fres=fopt,稀疏度为
s1053:根据所述残差和字典求解索引序号,求解索引序号和字典最大相关向量;
求索引序号和字典最大相关向量,
s1055:使用新选择的字典求解所述模拟预编码frf,更新索引模拟预编码frf;
更新索引模拟预编码,将新所选择的字典的第i列向量组合到frf=[frf|λt(k)]。
s1057:求解所述数字预编码fbb;
求解数字预编码,
s1059:更新残差矩阵。
更新残差矩阵fres=(fopt-frffbb)/||fopt-frffbb||f。
本领域技术人员应当理解,接收机预编码wrf和wbb的求解过程和发射机预编码的求解过程类似,这里不再赘述。
然后将上述omp算法的思想直接应用于预编码求解和设计中,在毫米波大规模mimo系统中,混合预编码和解码的设计问题的具有类似的解决方案,除了在发射机的预编码求解的过程中存在额外的功率限制,其余过程基本类似。
因此,发射机混合预编码优化问题可以表示为
s.t.frf∈{at,1,…at,l}
其中,fopt是最佳的无约束全数字预编码,而,frf和fbb是待求解的模拟预编码和数字预编码器进行优化,l=nclnray是基矢量at,1,...at,l的个数,基矢量at,1,...at,l可以从发射阵列响应矢量at中矢量集合中选择。{at,1,...at,l}是模拟预编码备选的基矢量集合。
因此,接收机混合预编码优化问题可以表示为
s.t.wrf∈{ar,1,...ar,l}(8)
其中,wopt是最佳的无约束全数字预编码,而,wrf和wbb是待求解的模拟预编码和数字预编码器进行优化,l=nclnray是基矢量ar,1,...ar,l的个数,基矢量ar,1,...ar,l可以从发射阵列响应矢量ar中矢量集合中选择。{ar,1,...ar,l}是模拟预编码备选的基矢量集合。
s107:根据加性量化噪声模型分别计算发射机低分辨率dac条件下的量化函数和接收机低分辨adc条件下的量化函数;
在加性量化噪声模型(aqnm)中,量化映射函数的输入信号复信号z,其通过所述的低分辨率量化函数输出为复信号
zq=εz+nq(9)
其中,nq是加性量化噪声,并且z和zq是不相关的。
由此可得,加性量化噪声的均值nq为
由此可得,加性量化噪声的方差nq为
上述式子中,ε的计算公式为
ε=1-μ(12)
其中,
如图5所示,根据加性量化噪声模型计算发射机低分辨率dac条件下的量化函数具体包括:
s1071:根据加性量化噪声原理分解量化映射输出矢量
在本实施例中应用aqnm分解发射机量化映射函数并推导公式。由于应用aqnm要求输入信号必须是高斯分布的,因此,本实施例中发射机输出的信号是服从高斯分布的。
根据上述表述aqnm阐述了高斯信号在通过非线性映射函数之前和之后的关系,它将量化映射信号分解成两个不相关的部分:一个是关于输入量化映射信号矢量的线性函数,另一个是与量化映射的输入矢量不相关的失真项。
发射机的输入向量经过发送量化模块的量化映射函数
其中,η为量化失真因子,不同分辨率或位数的dac芯片,量化失真因子η不同,具体为dac芯片的位数越高,量化失真因子η就越小,d表示量化失真向量。在发射机端由于量化映射函数的非线性,非量化预编码矢量与量化预编码矢量之间会产生量化误差
s1073:求解因低分辨率dac引起的量化失真噪声的方差
根据上述aqnm原理,发射机量化失真向量d的方差为
根据上述aqnm原理,量化失真因子η为
因此,根据公式(13),公式(1)可化为:
y=(1-η)hfrffbbs+hfrfd+n(16)
类似的,如图6所示,根据加性量化噪声模型计算接收机机低分辨率adc条件下的量化函数具体包括:
s2071:根据加性量化噪声原理分解量化映射输出矢量
在接收机中应用aqnm分解
接收机的输入向量通过接收量化模块的量化映射函数
s2073:求解因低分辨率adc引起的量化失真噪声的方差
根据上述aqnm原理,接收机量化失真向量q的方差为
根据上述aqnm原理,量化失真因子μ为
s109:推导出低分辨率dac和adc条件下的毫米波大规模mimo量化混合预编码系统的表达式。
发射机和接收机应用aqnm分解接收端量化映射函数从而设计毫米波大规模mimo量化混合预编码系统。其中,接收机解调信号为,
收发信机均应用aqnm分解接收端量化映射函数从而设计毫米波大规模mimo量化混合预编码系统,因此,系统公式可以具体表达为
低分辨率adc/da的位数和量化失真因子的关系主要有公式来决定。1位adc条件下μ1=0.3634,2位adc条件下μ2=0.1175,当adc的位数的b大于2时,量化失真因子可以为
毫米波大规模mimo量化混合预编码系统的因低分辨率dac引起的量化失真噪声
毫米波大规模mimo量化混合预编码系统的因低分辨率adc引起量化失真向量噪声
毫米波大规模mimo量化混合预编码系统因噪声引起的等效高斯噪声
因此,毫米波大规模mimo量化混合预编码系统的系统容量的表达式可以为
r=log2(1+sdnr)(25)
其中,r为传输速率,sdnr为信号噪声比。
如图7所示为本发明所述混合预编码方法的效果对比图,从图中可知,omphybridprecoder是系统未采用低分辨率dac和adc芯片,预编码采用omp算法状态下频谱效率曲线,1-bitdacand1-bitadc、3-bitdacand3-bitadc、5-bitdacand5-bitadc,6-bitdacand6-bitadc仿真曲线分别是系统配置1位、3位、5位、6位dac和adc芯片并且利用aqnm分解量化映射函数并且应用omp算法设计量化混合预编码系统下的频谱效率曲线。1-bitdac、3-bitdac、5-bitdac仿真曲线分别是系统配置1位、3位、5位dac且利用aqnm分解量化映射函数并且应用omp算法设计量化混合预编码下的频谱效率曲线。1-bitadc、3-bitadc、5-bitadc仿真曲线分别是系统配置1位、3位、5位adc芯片并且利用aqnm分解量化映射函数并且应用omp算法设计量化预编码系统下的频谱效率曲线,由图中可知,单独使用位数大于等于5的dac芯片或单独使用位数大于等于5的adc芯片时能够满足系统性能的要求。
因此,在本实施例所述的低分辨率毫米波大规模mimo混合预编码系统中,单独使用发射机的低分辨率dac芯片的位数为5时,单独使用接收机的低分辨率adc芯片的位数为5时,同时使用收发信机的低分辨率dac芯片和低分辨率adc芯片为6时,能够确保系统的性能在可接受的范围内时实现系统功耗、成本和复杂度的显著降低;当dac芯片和adc芯片同时存在收发信机中,发射机配置dac的分辨率要尽可能的高于接收机adc的分辨率。
本发明针对现有大规模mimo量化预编码设计的存在的问题,在研究全连接和低分辨率的dac和adc的实际条件下,在理论上根据aqnm和bussgang原理分析量化映射函数,应用svd和omp算法推出系统具体公式并分析系统性能,对于大规模mimo系统预编码的研究具有重要意义。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。