基于盲源分离和角度域辨识的导频污染消除方法与流程

本发明属于无线通信技术领域，具体涉及一种基于盲源分离和角度域辨识的导频污染消除方法。

背景技术：

在多小区、多用户的大规模mimo蜂窝系统中，基站将配备几十乃至上百根天线，大规模天线的使用在提升系统容量的同时可以极大简化系统信号处理的复杂度，但获得这一收益的前提是基站能够获得准确的信道状态信息(csi)。时分双工(tdd)和频分双工(fdd)是获得csi的两种双工模式，tdd模式下，信道具有互易性，上行链路中获得的csi可以用于下行链路，相较于fdd模式提升了频谱资源利用的有效性，因而考虑到系统开销，有学者提倡采用tdd模式进行信道估计。tdd模式下，当采用同频复用时，每个小区的用户可以使用全部的带宽，因而在使用导频进行信道估计时，就需要保证各个用户导频序列之间的正交性来避免同频干扰，而导频信号的长度至少应等于系统所有用户的数目才能满足这一要求。但是，受信道相干时间和相干带宽的影响，帧数据的长度有限，且需要预留部分长度来传送有用数据，这就使得相邻小区间需使用非正交的导频序列进行信道估计，从而引发了小区间的干扰，这种干扰即为导频污染。导频污染并不会随基站天线数的增多而有所减弱，因而成为制约大规模mimo系统性能的瓶颈问题。

半盲信号处理方法是解决导频污染问题的一种有效方法，该方法无需小区间的相互协调且仅需有限长度的导频序列。但当前的半盲信号处理算法通常假设系统信道为瑞利衰落信道，即信道参数为独立同分布的高斯随机变量，这一假设对于散射体丰富的信道环境较为适用，但有研究表明，路径数有限的大规模mimo信道将不再服从瑞利分布。当前基于奇异值分解的半盲导频污染消除方法对噪声较为敏感、信道估计精度不高，且需假设目标小区内各用户的大尺度衰落系数各不相同来进行小区内各个用户的区分，这一条件较为苛刻。令有半盲导频污染消除算法在幅度域进行目标用户信道与干扰用户信道的区分，这种方法鲁棒性较差。

技术实现要素：

本发明的目的在于提出了基于盲源分离和角度域辨识的导频污染消除方法，解决现有技术鲁棒性较差，精度低的问题。

实现本发明的技术解决方案为：基于盲源分离和角度域辨识的导频污染消除方法，具体步骤为：

步骤1、根据上行导频序列进行信道矩阵粗估计；

步骤2、根据上行用户数据，利用盲源分离算法同时对期望用户信道和干扰用户信道进行精估计，得到信道矩阵的精估计值；

步骤3、结合前两个步骤中所得到的信道粗估计值和精估计值，提取出复用同一个导频序列的用户组；

步骤4、在角度域对复用同一个导频序列的用户组中的期望用户信道和干扰用户信道进行辨别。

优选地，步骤1中根据上行导频序列进行信道矩阵粗估计的具体方法为：

对目标小区中第k个期望用户信道响应进行最小二乘估计，具体估计公式为：

式中，为目标小区中第k个期望用户的估计信道响应，ρ为每个用户的平均发射能量，hjjk为第j个小区中的第k个用户到第j个基站的期望信道响应，hjlk为邻近小区的干扰信道响应，l为小区数目，vk为第k个小区所使用的导频序列；表示均值为零、方差为σ²的复高斯白噪声；

则目标小区的信道矩阵粗估计为：

优选地，步骤2利用盲源分离算法同时对期望用户信道和干扰用户信道进行精估计，得到信道矩阵的精估计值的具体方法为：

对目标小区基站接收到的观测信号进行降维、白化预处理；

采用盲源分离算法对期望用户和干扰用户的信道响应进行估计，得到精估计值：

式中，为置换矩阵，γc＝diag{c1,c2,...,clk}为标量值c1,c2,...,clk构成的对角阵，

优选地，对目标小区基站接收到的观测信号进行降维、白化预处理的具体方法为：

对目标小区基站接收到的观测信号的协方差矩阵进行特征分解：

式中，是由协方差矩阵的特征矢量排列而成的矩阵，是以的降序排列的特征值为对角元素构成的对角阵，

用左乘目标小区基站接收到的观测信号得到降维、白化后的观测信号

优选地，采用盲源分离算法对期望用户和干扰用户的信道响应进行精估计的具体步骤为：

对估计信号yn的的凸周长l(yn)进行归一化处理，形成源信号分离准则：

式中，wn表示信号分离矢量；

计算估计信号的凸周长，计算公式为：

式中，δyn,i表示凸锥相邻顶点的边长；

确定源信号分离准则的目标函数相对于分离矢量的梯度为：

其中，为降维、白化后的观测信号，为顺时针表示的yn的凸锥顶点的位置；

采用newton-raphson自适应步长迭代策略，得到分离矢量的梯度下降迭代规则为：

μnr表示算法迭代步长。

令表示分离矢量收敛时所得到的估计信号，当成功分离出一个用户源信号后，将该源信号在观测信号中的贡献除去，即

其中，为估计用户信道响应；

在的基础上继续进行源信号的分离过程直至其余用户源信号的恢复并得到则信道矩阵的精估计值为为伪逆运算符；

信道矩阵的精估计值与真实值间有如下关系：

其中，为置换矩阵，γc＝diag{c1,c2,...,clk}为标量值c1,c2,...,clk构成的对角阵。

优选地，目标小区基站接收到的观测信号具体为：

式中，表示均值为零、方差为σ²的复高斯白噪声。

优选地，步骤3提取出复用同一个导频序列的用户组的具体方法为：

计算矩阵使得其满足下式：

寻找矩阵的第k列中非零行的位置，提取出复用第k个导频序列的用户；

将复用第k个导频序列的用户组所对应的信道矢量修正为：

优选地，步骤4在角度域对复用同一个导频序列的用户组中的期望用户信道和干扰用户信道进行辨别的具体方法为：

将用户组所对应的信道响应hjlk变换到角度域；

当用户组中期望用户信道矢量的角度域支撑集与干扰用户信道矢量的角度域支撑集不重叠时，通过比较期望用户信道矢量和干扰用户信道矢量在角度域非重叠位置的分布特征辨别期望用户信道和干扰用户信道。

本发明与现有技术相比，其显著优点为：本发明结合导频序列、用户上行发送数据以及期望用户信道与干扰用户信道的角度域分布三方面的信息去消除导频污染，鲁棒性更强、估计精度更高。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1为tdd模式下上行链路导频训练过程中的导频污染示意图。

图2为期望用户信道估计的nmse性能随干扰用户路径损耗系数βjlk(l≠j)的变化情况示意图。

图3为期望用户信道估计的ber性能随干扰用户路径损耗系数βjlk(l≠j)的变化情况示意图。

图4为期望用户信道估计的nmse性能随上行链路数据长度t的变化情况示意图。

图5为期望用户信道估计的ber性能随上行链路数据长度t的变化情况示意图。

图6为期望用户信道估计的nmse性能随期望用户与干扰用户角度域支撑集的重叠比例α的变化情况示意图。

图7为期望用户信道估计的ber性能随期望用户与干扰用户角度域支撑集的重叠比例α的变化情况示意图。

具体实施方式

下面以多小区、多用户的大规模mimo系统模型对本发明作进一步说明。

如图1所示，在上行链路导频训练的过程中，每个蜂窝小区中的第k个用户复用同一个导频序列各基站将同时接收来自本小区和邻近小区用户的信号。假设第j个蜂窝小区为目标小区，目标小区中的用户为期望用户，则第j个基站在导频训练的过程中所接收到的信号表示为：

其中，ρ为每个用户的平均发射能量，为第j个小区中的第k个用户到第j个基站的期望信道响应，为邻近小区的干扰信道响应，表示均值为零、方差为σ²的复高斯白噪声。

本发明提出了一种基于盲源分离和角度域辨识的导频污染消除方法，具体步骤为：

步骤1、根据上行导频序列进行信道矩阵粗估计，具体为：

令表示各小区所使用的导频序列组，这些导频序列满足

式中，p≥k，k1∈1,2，…k，k2∈1,2，…k，则目标小区中第k个期望用户信道响应的最小二乘估计为：

从而可得目标小区的信道矩阵粗估计为

步骤2、根据上行用户数据，利用盲源分离算法同时对期望用户信道和干扰用户信道进行精估计，得到信道矩阵的精估计值，具体为：

令表示第l个小区中第k个用户所发送的上行数据，数据符号为零均值、单位方差的独立同分布信息序列，数据长度为t。则在上行链路用户数据传输过程中，目标小区的基站所接收到的观测信号为：

式中，表示均值为零、方差为σ²的复高斯白噪声。由于各用户的数据符号从相互独立的发送源发出，故可以假设为统计独立，从而可以采用盲源分离算法对各用户的信道响应进行辨识。将式(5)重新表达为盲源分离的经典模型

其中，

大规模mimo系统中基站的天线数目比较庞大，即m＞＞lk，对观测信号进行降维、白化预处理，具体为：对的协方差矩阵进行特征分解如下

其中，是由的特征矢量排列而成的矩阵，是以的降序排列的特征值i＝1,…,m为对角元素构成的对角阵，

和的列向量分别张成了信号子空间和噪声子空间，用左乘即可得降维、白化后的观测信号：

采用基于最小化归一化凸周长准则的盲源分离算法对期望用户和干扰用户的信道响应进行估计，具体方法为：

令信号分离矢量一个信号分离矢量，则为某一用户源信号slk的估计信号，则可以通过极小化估计信号yn＝[yn(0),yn(1),...,yn(t-1)]的凸周长l(yn)对分离矢量迭代求解。为避免算法收敛至零解，需对l(yn)进行归一化处理，从而形成如下的源信号分离准则

采用梯度下降算法优化以上代价函数，首先需计算估计信号的凸周长，在实际处理中，l(yn)由yn的样本值估计得到。令conv{yn}表示yn的凸锥，即处于yn凸支撑集顶点位置的样本集合，则

其中，为顺时针表示的凸锥顶点的位置，则该凸锥相邻顶点的边长表示为

故yn的凸周长为各边长之和，即

易得式(9)的目标函数相对于分离矢量的梯度为

其中，i＝1,2,...,v。采用newton-raphson自适应步长迭代策略，算法迭代步长表示为μnr，则分离矢量的梯度下降迭代规则为

令表示分离矢量收敛时所得到的估计信号，当成功分离出一个用户源信号后，将该源信号在观测信号中的贡献除去，即

其中，为该用户信道响应的估计，其第m(m＝1,2,...,nr)个元素通过以下方式估计得到

其中，为的第m行。在的基础上继续进行源信号的分离过程直至完成系统其余用户源信号的恢复并得到则信道矩阵的精估计值为(为伪逆运算符)。

由于盲源分离算法的不确定性，信道矩阵的精估计值与真实值间有如下关系：

其中，为置换矩阵，表征了信道矩阵估计的顺序不确定性。γc＝diag{c1,c2,...,clk}为标量值c1,c2,...,clk构成的对角阵，表征了信道矩阵估计的幅度不确定性。

步骤3、结合前两个步骤中所得到的信道粗估计值和精估计值，提取出复用同一个导频序列的用户组。

从步骤2中可知，采用盲源分离算法估计出的期望用户和干扰用户的信道矢量存在幅度和顺序的不确定性，但从式(3)中可以看出，如果一些用户复用了中的第k个导频序列，则式(4)中的粗估计信道矩阵的第k列(表示为)将为这些用户信道矢量的加权和。故结合粗估计信道矩阵和精估计信道矩阵将可以提取出复用同一个导频序列的用户组，即存在矩阵使得

可得g的最小二乘估计为通过寻找的第k列中非零行的位置，提取出复用第k个导频序列的用户组。

令表示的第k列中非零行的位置，则的第k列为中位于的列的加权和，即

其中，为的第列，为的加权系数。令则ck的最小二乘估计值为进而将复用第k个导频序列的用户组所对应的信道矢量修正为1≤l≤l,1≤k≤k。

步骤4、在角度域对复用同一个导频序列的用户组中的期望用户信道和干扰用户信道进行辨别。

在步骤3中实现了复用同一个导频序列的用户组的提取，并去除了这些用户所对应信道矢量的幅度不确定性，接下来需要对期望用户和干扰用户所对应的信道矢量进行辨别，唯有准确地分辨出期望用户的信道矢量，才能最终实现导频污染的消除。传统的辨别方法为基于期望用户信道和干扰用户信道的幅度差异，即认为邻近小区干扰用户的路径损耗要大于目标小区中期望用户的路径损耗，虽然这一假设通常可以成立，但信道估计所产生的误差会使得幅度域的辨别方式鲁棒性不强，故本发明提出一种角度域的辨别方法。本发明采用大规模mimo系统的传输信道，则信道响应表示为：

其中，r为多径数目，为每条路径的随机相位，βjlk为路径损耗系数，其与用户和基站间的距离成反比，表示波达角为的导向矢量，其表达式为

其中，d为天线阵元间距，λ为信号波长。将用户组对应的信道矢量hjlk变换到角度域的表达式为

其中，为离散傅里叶变换矩阵，其矩阵元素为信道的角度域变换为一种虚拟的表达形式，其可以捕捉空间信道模型的本质并对信道的散射环境进行几何解释。

令φd表示步骤3所得到的复用第k个导频序列的用户组所对应的信道矢量中期望用户信道矢量的角度域支撑集，即当的波达角θ∈φd时，θ的概率密度函数pd(θ)＞0，而当时，pd(θ)＝0。类似地，令фi表示干扰用户信道矢量的角度域支撑集，如果φd≠φi，则和的角度域表达式将会呈现不同的特征。具体来说，令和分别表示和的角度域表达式中绝对值较大的元素所处的位置，如果φd≠φi，则有因此，期望用户信道和干扰用户信道的波达角分布为两者的辨别提供了实现方法，只要φd与φi不完全重叠，则可以通过比较和在非重叠位置的能量大小对两种信道进行区分。

性能分析：为了验证本发明的导频污染消除性能，接下来通过实施例进行性能比较和分析，与本发明相比较的方法为仅使用导频序列进行信道估计的“最小二乘法”和基于幅度域进行信道分辨的“传统方法”。采用两种评价指标衡量算法性能，一是目标小区中期望用户信道估计的归一化均方误差(nmse)，二是期望用户上行链路数据传输的误比特率(ber)。系统参数设置为：考虑一个包含7个小区(l＝7)的大规模mimo蜂窝系统，每个小区中的用户数为k＝4，导频序列的长度p与k值相同，各小区中的用户复用同一组导频序列，每个小区的基站配备有m＝100根天线，每个单天线用户的发送能量为ρ＝0dbm，系统信噪比定义为snr＝ρ/σ²，仿真中设为10db，空间信道模型中的路径数为r＝50，发送数据为bpsk或qpsk信号，目标小区中期望用户信道的路径损耗系数为βjjk＝1，设用户的运动速度为v＝35km/h，信道时延扩展为τ＝2.5μs，信号载波频率为fc＝2.6ghz，则数据帧的长度约为c＝2000。

为验证不同参数对方法性能的影响，以下做了三个实施例，分别测试干扰用户的路径损耗系数βjlk(l≠j)，用户上行链路的数据长度t，以及期望用户信道与干扰用户信道角度域支撑集的重叠比例α对方法性能的影响。

实施例一：仿真参数为t＝1000，期望用户信道与干扰用户信道角度域支撑集分别为即两者的波达角扩展为40度且α＝0.5。

图2和图3分别给出了各方法的nmse性能和ber性能随βjlk(l≠j)的变化情况。可以看出，导频污染的存在使得最小二乘法性能较差，而传统方法和本发明方法利用了用户上行链路的数据信息，均可以对导频污染起到一定的抑制作用；各方法的nmse和ber性能随βjlk的增大而下降，表明干扰强度会对方法的导频污染消除能力产生较大影响；从图3中可以看出，当用户发送数据为qpsk信号、βjlk＞0.6时，以及当用户发送数据为bpsk信号、βjlk＞0.8时，传统算法的ber性能差于最小二乘法，而本发明在bpsk和qpsk信号条件下性能始终优于最小二乘法和传统方法，这表明相较于幅度域的信道分辨，角度域的信道分辨鲁棒性更强、估计精度更高。

实施例二：仿真参数为βjlk＝0.3(l≠j)，期望用户信道与干扰用户信道角度域支撑集分别为即两者的波达角扩展为40度且α＝0.5。

图4和图5分别给出了各方法在不同的上行链路数据长度t条件下的nmse性能和ber性能。可以看出，最小二乘法不受t值的影响，原因在于该方法仅使用导频序列，故与上行链路用户数据的多少无关；传统方法和本发明的导频污染消除能力随t值的增大而有所提升，当t值较小时，三种方法的ber性能甚至弱于最小二乘算法，原因在于较少的数据量无法很好地描述各用户所发送数据符号的统计特性，从而导致盲信道估计性能下降；角度域信道分辨相对于幅度域信道分辨更强的鲁棒性使得本发明的导频污染消除能力优于传统方法，换言之，欲达到某一nmse或ber性能，本发明相较于传统方法所需要的数据量更少，这就使得本发明更适用于用户运动速度较快的场景。

实施例三：仿真参数为t＝1000，βjlk＝0.3(l≠j)，期望用户信道和干扰用户信道波达角扩展仍为40度，α∈[0,1]，当α＝0时，期望用户信道与干扰用户信道角度域支撑集完全不重叠，而当α＝1时，两者完全重叠。

图6和图7分别给出了各方法的nmse性能和ber性能随α值的变化情况。从图中可以看出，本发明的nmse和ber性能随着α值的增大而下降，原因在于随着α值的增大，期望用户信道与干扰用户信道角度域支撑集可辨识区域变小，但本发明性能依旧优于传统方法。