一种基于路径分多址的上行链路信道预测方法及预测系统与流程

本发明属于下一代无线移动通信技术领域，涉及一种基于路径分多址的上行链路信道预测方法及预测系统。

背景技术：

2017年，hongxiangxie,feifeigao等人在“aunifiedtransmissionstrategyfortdd/fddmassivemimosystemswithspatialbasisexpansionmodel”提出针对大规模多输入多输出系统的基于角分多址的信道预测算法，根据角分多址技术，信道在角度域上表现出极大的稀疏性，进而可以通过捕捉信道的非零元素来实现信道预测；同时根据角度的互益性，给出适用于tdd系统和fdd系统的下行信道特征获取方式。

2019年，xiaozhenliu等人在“efficientchannelestimatorwithangle-divisionmultipleaccess”针对角分多址技术提出了对应的高效vlsi架构，实现了对于单一载波系统的大规模mimo系统上下行信道预测。

随着现代移动通信系统的发展，正交频分复用技术逐渐称被通信系统广泛采用。2018年，boleiwang,feifeigao等人在“spatial-andfrequency-widebandeffectsinmillimeter-wavemassivemimosystems”，提了基于空间宽带效应和频率选择效应的路径分复用方法，从理论上证明了基于路径分复用进行信道预测的可行性。

技术实现要素：

本发明的目的在于提供一种基于路径分多址的上行链路信道预测方法。

本发明提供的基于路径分多址的上行链路信道预测方法，包括，

(1)导频阶段初始预测阶段：预处理模块对接收到的第p个用户的信号yp处理得到初始估计信道矩阵所述初始估计信道矩阵分别输入预搜索模块、信道特征搜索模块；所述预搜索模块根据初始估计信道矩阵进行初始搜索得到第p个用户的信道特征将信道特征分别输入信道特征搜索模块、信道特征分组模块，其中l为用户p的第l个路径；

(2)信道特征预测分组和信道重构阶段：所述信道特征搜索模块对信道特征进行精确预测，得到第p个用户的二维信道特征，并输出给重构模块；所述信道特征分组模块对信道特征进行分组并将分组后的信道特征存入分组寄存器，该分组后的信道特征用于指导上行链路信道预测模块进行预测；所述重构模块对二维信道特征进行重构，得到信道基矢量组pp，信道基矢量组包括第p个用户的lp个路径的信道基矢量所述信道基矢量组输出至上行链路信道预测模块；

(3)上行信道预测阶段：所述上行链路信道预测模块根据接收到的信号yp以及信道基矢量输出上行链路信道预测矩阵。

优选地，所述步骤(1)中，所述预处理模块基于ls信道估计方式得到基矢量将基矢量进行串并转换得到初始估计信道矩阵

优选地，所述步骤(1)中，所述预搜索模块对初始估计信道矩阵进行ifft操作，得到在角度时延变换域中的信道预测矩阵：

其中，为m*m维傅里叶变换矩阵的转置共轭，为n*n维傅里叶变换矩阵的共轭；对变换域矩阵取模，比较出用户p的各路径的最大值二维坐标作为初始搜索得到的信道特征

优选地，所述步骤(2)中，所述信道特征搜索模块采用逐次二分迭代法在信道特征附近搜索满足的最大值坐标，输出二维信道特征，其中ψm，ψn分别为角度域旋转因子和时延域选择因子，θ为相移矩阵。

优选地，所述步骤(3)中，所述上行链路信道预测模块计算出用户p的每一条路径的信道增益

其中，ep为第p个用户的限制功率，vec(yp)为转化为向量输入的接收信号；根据计算得到的信道增益，通过与对应的信道基矢量组相乘并求和得到用户p的信道向量，再将其调整为矩阵形式得到最终的第p个用户的上行链路信道预测矩阵为

其中，为第p个用户对应的路径集。

本发明还提供一种基于路径分多址的上行链路信道预测系统，包括预处理模块、预搜索模块、信道特征搜索模块、信道特征分组模块、重构模块、上行链路信道预测模块；

所述预处理模块用于对接收到的第p个用户的信号yp处理得到初始估计信道矩阵并分别输入预搜索模块、信道特征搜索模块；

所述预搜索模块用于根据初始估计信道矩阵进行初始搜索得到第p个用户的信道特征将信道特征分别输入信道特征搜索模块、信道特征分组模块，其中l为用户p的第l个路径；

所述信道特征搜索模块用于对信道特征进行精确预测，得到第p个用户的二维信道特征，并输出给重构模块；

所述信道特征分组模块用于对信道特征进行分组并将分组后的信道特征存入分组寄存器，该分组后的信道特征用于指导上行链路信道预测模块进行预测；

所述重构模块用于对二维信道特征进行重构，得到信道基矢量组pp，信道基矢量组包括第p个用户的lp个路径的信道基矢量输出所述信道基矢量组至上行链路信道预测模块；

所述上行链路信道预测模块用于根据接收到的信号yp以及信道基矢量输出上行链路信道预测矩阵。

优选地，所述预处理模块基于ls信道估计方式得到基矢量将基矢量进行串并转换得到初始估计信道矩阵

优选地，所述预搜索模块对初始估计信道矩阵进行ifft操作，得到在角度时延变换域中的信道预测矩阵：

其中，为m*m维傅里叶变换矩阵的转置共轭，为n*n维傅里叶变换矩阵的共轭；对变换域矩阵取模，比较出用户p的各路径的最大值二维坐标作为初始搜索得到的信道特征

优选地，所述信道特征搜索模块采用逐次二分迭代法在信道特征附近搜索满足的最大值坐标，输出二维信道特征，其中ψm，ψn分别为角度域旋转因子和时延域选择因子，θ为相移矩阵。

优选地，所述上行链路信道预测模块计算出用户p的每一条路径的信道增益

其中，ep为第p个用户的限制功率，vec(yp)为转化为向量输入的接收信号；根据计算得到的信道增益，通过与对应的信道基矢量组相乘并求和得到用户p的信道向量，再将其调整为矩阵形式得到最终的第p个用户的上行链路信道预测矩阵为

其中，为第p个用户对应的路径集。

本发明在硬件上实现了路径分多址信道预测方式，并且不存在高复杂度运算模块，同时架构中采用流水线和脉动阵列，大大提高了系统的效率。

附图说明

图1为信道预处理模块示意图；

图2为逐次二分搜索示意图；

图3为预搜索模块示意图；

图4为信道特征搜索模块示意图；

图5为信道特征分组模块示意图；

图6为第p个用户上行链路信道预测模块；

图7为分组子模块示意图；

图8为本发明整体框架示意图。

具体实施方式

下面结合附图和具体实例对本发明作进一步说明。

本发明针对使用正交频分复用技术和面向大规模多输入多输出天线系统，在考虑空间宽带效应以及频率宽带效应的双宽带效应下，提出基于路径分多址的上行链路信道预测vlsi架构。

从图1可以看到，接收到的输入数据yp从数据缓冲器开始分两条路径分别进入ul估计模块(即上行链路信道预测模块)和ls信道估计模块，ls信道估计模块的输出经过串并转换器后以信道矩阵的格式输出到信道特征搜索模块和预搜索模块。结合图8的整体预测框图，对于导频阶段，本发明基于流水线和脉动阵列技术，设计了预处理、预搜索、用户分组和信道特征搜索等模块；对于上行信道预测阶段，本发明设计了每个用户的上行信道估计模块，所有模块只包含复数加法、复数乘法以及寄存器，不包含其他复杂运算模块。从第1个用户到第p个用户接收到的信号为m*n维信号yp，其中m为发射天线数，n为正交频分复用的子载波数。首先imadbarhumi等人在文献“optimaltrainingdesignformimoofdmsystemsinmobilewirelesschannels”(期刊名称ieeetranssignalprocessing，发表时间2003年，)中设计的基于ls信道估计方式得到初始估计得到的信道矩阵基矢量通过将得到的基矢量进行串并转换得到对应的初始估计信道矩阵从而，将初始估计信道矩阵输入到预搜索模块进行变换域信道特征搜索，同时作为输入数据流数据输出到信道特征搜索模块进行精确地信道特征搜索。

如图3所示，经过预处理模块得到的m*n维的信道矩阵输入到预搜索模块中，经过预搜索模块的处理得到信道特征初始估计值，最终，输出初始信道特征到信道特征分组模块进行信道特征分组和信道特征搜索模块进行精确搜索。

当初始估计信道矩阵输入到预搜索模块时，首先进行ifft操作，得到在角度时延变换域中的信道预测矩阵：

其中，为m*m维傅里叶变换矩阵的转置共轭，为n*n维傅里叶变换矩阵的共轭。

本发明为了降低硬件实现复杂度，首先参考fft架构对列分别进行ifft运算，其次对输出矩阵进行转置再输入原有的ifft模块进行列ifft运算，最终输出变换域矩阵随后，通过取模模块对变换域矩阵取模，比较出每个用户的各路径的最大值二维坐标作为初始搜索得到的信道特征l为第p个用户的第l个路径，为角度域的初始预测值，为时延域的初始预测值，并将每一个用户所对应的信道特征集合作为接下来，将信道特征集合分别输入到信道特征搜索模块中进行精确搜索和输入到信道特征分组模块中进行信道特征分组。

由于信道中的干扰问题，初步预测的得到的信道特征只能精确到整数位(在恶劣的信道条件下，甚至整数位将发生偏移)，所以需要采用二维旋转措施，将变换域中的得到的矩阵，分别左乘和右乘角度旋转和时延旋转因子，再进行二维搜索。考虑到定步长二维搜索问满足实际需要进行的搜索次数与步长成反比，所以本发明采用基于逐次二分反馈搜索，对根据搜索树的每一层不断进行迭代，达到更高精度的搜索。如图4所示，在信道特征搜索模块中，对逐次二分搜索的方法提出相应的vlsi结构，通过控制反馈回路不断进行循环，并调整寄存器1和寄存器2中的存储的搜索节点数据和当前步长。在这个模块中，存在ζ个子模块，对应着本层次需要搜索的点数。在每个子模块中，首先对初始估计信道矩阵乘以相移矩阵θ(根据寄存器中存储的上一次迭代的信息生成的)的共轭，再进行二维旋转(根据寄存器中存储的上一次迭代的信息生成)和二维离散傅里叶反变换，为了降低复杂度，我们只需要计算初始估计信道矩阵中，在预搜索模块得到初始信道特征点处的，变换域中旋转之后信道值。之后，选取ζ个子模块中输出最大的那个模块中的信道特征作为本次迭代输出，进而选择就此输出或进行下一次迭代。最终，经过满足迭代精度的迭代次数之后，输出精确的二维信道特征。

信道特征集合输入到信道特征预测模块后，要进行精确预测，结合图2的迭代过程要进行逐层搜索，在原有的坐标(已得到的信道特征集合)附近搜索满足的最大值坐标，其中ψm，ψn分别为角度域旋转因子和时延域选择因子，θ为相移矩阵。通过前文所述的逐次二分迭代以及其对应的迭代硬件架构，可以最终得到第p个用户满足精度的精确信道二维集合如图2所示，所示，从根节点开始，搜索逐步精确，在第一个层次中继承节点位pre-0,同时在此层次中最大节点位max-1，则max-1节点成为根节点，进而派生出下一个层次。每个层次根节点派生出三个子节点，其中每个子节点取值为上一层次的根节点值与相邻节点的平均，计算的范围每一层将控制在生成出的两个节点中，那么在搜索的范围只控制在原有比较派生节点与根节点三个点上。通过从层级1到层次n,搜索的精度每层将提高50％，在保证精度的条件下，相比于固定长度的搜索，大大减少了搜索点数。

另一方面，与信道特征精确搜索同时进行的是信道特征的分组。经过初始搜索的信道特征将输入信道特征分组模块，对于多用户并行输入的情况，我们需要进行并行分组，首先，根据每个用户的一维展开坐标进行排序，根据并行和串行输入分别可以采取现有的并行排序网络排序或串行冒泡排序等策略进行排序，排序之后的用户信道信息将通过设计的分组脉动阵列，比较各路径坐标的欧几里得距离与设置阈值之间的关系，在对应的处理模块输出相应用户。如图5所示，每个用户的信道特征并行输入到信道特征分组模块，通过排序网络以及分组模块，其中，分组模块由n个分组子模块组成的脉动阵列组成，每个子模块对应一个分组的输出，同时，将每个用户的分组信息储存在每一个用户的分组信息寄存器中，将进一步指导上行链路信道预测模块对信道预测进行分组训练。如图7所示，由n个分组子模块组成了适用于n分组的脉动阵列，通过计算前后输入的信道特征的几何距离，与分组阈值ω进行比较，其中分组阈值ω表征系统对各分组之间重叠的容忍程度，阈值设置越小，系统分组精度越高，训练成本量越少，但是会导致分组数过多造成后续负担，具体阈值选择由系统实际需求进行调整。通过比较的结果，选择是输出到下一个模块还是就在此模块输出，若排序后相邻的两个元素距离大于阈值，那种可以认为它们不重叠，可以放在同一个组中进行训练。若小于阈值，那么三态门导通，将此信息输出到下一个分组子模块中进行比较。进而在每一个子模块输出不同组的分组信息。

经过初始估计的信道特征输入到信道特征分组模块之后，首先要经过排序网络进行并行排序，如图5和7所示经过排序之后的用户特征输入到分组脉动阵列中，在每一个脉动阵列子模块中，将计算输入的用户信道特征坐标之间的几何距离，根据与分组阈值ω比较的结果，在不同的组输出不同用户，进而实现对各信道特征的分组，分组信息将被存储进每一个用户信道特征分组寄存器中，在寄存器中存储的信道特征将指导下一阶段上行链路信道预测模块进行分组训练，图7中的ul估计器即上行链路信道预测模块。

经过信道特征搜索模块精确搜索的信道信息将进入信道重构模块，得到重构后的第p个用户的信道基矢量组pp,基矢量组pp包括第p个用户的lp个路径的信道基矢量对每一个路径的信道基矢量：其中，bp，l为频域方向矢量，ap，l为角度方向矩阵，反映信道特征。之后，信道基矢量组将与接收到的信号yp同时输入到上行链路信道预测模块中，在信道特征分组模块的寄存器中存储的分组信息指导下进行上行信道预测。其中，分组信息将把同一组的用户分组模块安排到一起训练，同时可以调整导频训练集，由于同一组内的用户特征不重叠，所以可以共用导频序列，进而提高训练速度，适应快变信道。

如图6所示，每个用户将使用一个上行链路信道预测模块，通过输入对应的接收到的信号yp和信道重构出的信道基矢量组pp，输出最终的第p个用户的上行链路的信道预测矩阵，即，将输入信号yp进行串行转化，将展开的信号vec(yp)与第p个用户的信道基矢量组pp中的每一个路径的信道基矢量的转置共轭做矢量相乘得到第p个用户的第l个路径的信道增益，之后，将信道增益与对应的信道基矢量相乘得到第p个用户的第l个路径的信道矢量，将lp个路径相加，并将矢量分隔进行输出，最终得到第p个用户的最终上行链路信道预测矩阵接收机得到信道预测矩阵作为冲击响应，为下一步信号的解调提供信息。在上行链路信道预测模块中，首先要预测计算出每一用户的每一条路径的信道增益

其中，ep为第p个用户的限制功率，vec(yp)为转化为向量输入的接收信号。

根据计算得到的信道增益，通过与对应的信道基矢量组相乘并求和得到每个用户的信道向量，再将其重新调整为矩阵形式(使用shape来表示)得到最终的第p个用户的上行链路信道预测矩阵为

其中，为第p个用户对应的路径集。

本发明基于面向大规模多输入多输出天线系统并结合目前主流的正交频分复用技术，根据路径分多址接入方式设计了一种低复杂度的vlsi架构，可以高效实现上行链路信道预测。在本发明中，首次将设计出适用于路径分多址的信道预测架构，路径分多址考虑联合时延和角度域进行信道预测，通过精确预测波达方向、路径增益等参数，进行信道重构。但是本身算法存在大规模矩阵求傅里叶反变换，高精度二维特征搜索等复杂算法，难以在实际应用中部署。本发明针对原有算法中存在高复杂度运算难以在硬件上高速实施的问题，第一次提出路径分多址对应的vlsi硬件架构，以方便算法在fpga或asic上进行硬件实现。在原有的信道预测和跟踪算法中，大多数均采用对信道矩阵的直接预测和跟踪，由于在大规模多输入多输出天线系统中，信道矩阵将随着天线数的增多而迅速扩大，这导致原有的算法难以高效地实现。本发明采取基于路径分多址地预测只需计算出每一条路径的路径参数，进而重构出这一路径对应的信道矩阵，这种方式大大降低了计算量。同时，本发明主要设计的vlsi架构中，采用了将模块流水线化并将原有的算法中的二维搜索算法用逐次二分反馈搜索取代，使得参数更为准确的被搜索，进而使得信道预测效率大幅度提高，而对应的硬件复杂度由于单路反馈不断复用模块而并没有显著增加，降低了硬件成本。