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
(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
(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
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
其中,
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
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
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
所述预搜索模块用于根据初始估计信道矩阵
所述信道特征搜索模块用于对信道特征
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
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
优选地,所述预搜索模块对初始估计信道矩阵
其中,
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
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
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
如图3所示,经过预处理模块得到的m*n维的信道矩阵
当初始估计信道矩阵
其中,
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
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
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
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
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
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。