CN104601498A - 一种基于张量模型的信道估计方法和装置 - Google Patents

Abstract

本发明涉及通信技术领域，提供了一种基于张量模型的信道估计方法和装置，所述方法包括：根据建立的上行信号系统模型，建立所述上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，所述三阶张量模型的三维分别对应所述上行信号、所述上行信号的到达角度和时变信道；根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用PARAFAC-LMST方法或PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值。所述装置包括：第一建立模块、第二建立模块和信道估计模块。本发明不但可以适用于慢变信道的协作通信系统，还可以适用于快衰落信道的协作通信系统。

Description

一种基于张量模型的信道估计方法和装置

技术领域

本发明涉及通信技术领域，特别是指一种基于张量模型的信道估计方法和装置。

背景技术

无线通信系统的性能很大程度上受到无线移动信道的影响，而多径衰落是影响无线移动信道的重要因素。协作分集技术通过使网络中具有单根天线的用户端彼此共享天线，形成虚拟的多天线阵列来发射或接收信息，从而可以减小多径衰落的影响。在协作通信系统中，具有单根天线的每个用户端不仅可以接收到基站发送的信息，还可以收到由其他用户端发送的信息；每个用户端不但要向基站传送自己的信息，还要作为一个协作伙伴向基站传送其他用户端的信息。在协作通信系统中，基站为了解调出接收到的用户端信号，需要使用估计出的信道参数，估计出的信道参数的正确度，可以直接影响解调出的用户端信号的正确度，因此信道估计方法的好坏可以直接影响基站的检测性能。

由于基于张量模型表示的协作通信系统在多用户信号分离和信道估计唯一性方面条件可以放宽，更具有实际应用价值，因此基于张量模型的信道估计方法受到了越来越多的关注，目前，基于张量模型的信道估计方法包括：

在“Unified tensor modeling for blind receivers in multiuser uplink cooperativesystems”中提出了在多天线双向中继协作系统中的一种张量模型接收机。该文中的方法是利用最小均方准则与张量模型对信道进行估计，并进行迭代将估计结果进一步细化，以减小估计误差。

在“Multiuser Detection for Uplink DS-CDMA Amplify-and-Forward RelayingSystems”中提出了一种适用于多天线终端上行协作系统的基于三阶张量模型的多用户接收机。该文中的方法是对已有方法的改进，一方面在传统的DS-CDMA系统二维张量模型基础上增加了中继协作链路；另一方面，所有协作中继可以用非正交短扩频码同时进行数据传输。

然而，现有基于张量模型的信道估计方法，都是在假设信道参数是恒定的基础上提出的，因此只适用于慢变信道的协作通信系统，不适用于快衰落信道的协作通信系统。

发明内容

为了使得信道估计方法可以适用于快衰落信道的协作通信系统，本发明提供了一种基于张量模型的信道估计方法和装置。所述技术方案如下：

第一方面，本发明提供了一种基于张量模型的信道估计方法，包括：

建立上行多用户协作系统中基站接收到的上行信号的上行信号系统模型；

根据所述上行信号系统模型，建立所述上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，所述三阶张量模型的三维分别对应所述上行信号、所述上行信号的到达角度和时变信道；

根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值。

进一步地，当所述上行多用户协作系统包括M个簇和1个所述基站，每个簇由1个用户端和R个协作中继组成，所述基站配置有K个全向天线，所述基站接收每个所述用户端向所述基站直接发送的上行信号、以及与每个所述用户端对应的R个所述协作中继向所述基站转发的上行信号时，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的上行信号系统模型为：

$\left\{\begin{array}{c}{y}_{k,n}^{\mathrm{sd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m^{\mathrm{sd}}\left(t\right)a_k\left({\mathrm{\θ}}_m\right)s_{n,m}\\ y_{k,r,n}^{\mathrm{rd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\left({\mathrm{\θ}}_m\right)h_{r,m}^w\left(t\right)s_{n,m}\end{array}\right.$

其中，表示t时刻所述基站第k个全向天线接收到的第m个簇中的用户端直传的上行信号，表示t时刻所述基站第k个全向天线接收到的第m个簇中的第r个中继转发的上行信号，M、R、K、m、r、n和k为自然数，t为实数，m小于等于M、r小于等于R、k小于等于K、n小于等于N，N表示符号周期长度，表示t时刻第m个簇中的用户端与所述基站之间的时变信道，a_k(θ_m)表示所述基站第k个全向天线接收到的第m簇的上行信号的到达角度，s_n,m表示服从独立分布的第m簇中的用户端或中继传输的第n个符号周期上行信号， 表示t时刻第m簇中的第r个中继与所述基站之间的时变信道，f_r,m表示第m簇中的第r个中继的放大系数，表示t时刻第m簇中的用户端与第r个中继之间的时变信道；

相应地，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型为：

其中，R₁＝R+1， 且[A(t)]_k,m为a_k(θ_m)的矩阵表示；且[S(t)]_n,m为信号s_n,m的矩阵表示；当前时刻t的时变信道矩阵且[H(t)]_1，m为的矩阵表示，当前时刻t的时变信道矩阵且[H(t)]_r,m为的矩阵表示，H^T(t)为H(t)的转置。

进一步地，根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值，包括：

获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)，其中，

根据所述新上行增量信号y⁽¹⁾(t+1)和当前时刻t的上行信号Υ(t)，得到下一时刻t+1的上行信号Υ(t+1)为：

根据当前时刻t的所述新上行增量信号y⁽¹⁾(t+1)，得到下一时刻t+1的第一次的时变信道增量h^T(t+1)为：其中，表示的伪逆；

根据第一次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值为：

通过指数窗和截断窗函数求下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值H^T(t+1)的伪逆得到下一时刻t+1的为：

通过PARAFAC-LMST方法或PARAFAC-RLST方法更新，得到下一时刻t+1的第二次的时变信道增量h^T(t+1)为：

根据第二次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值为：

判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值；

如果达到，则将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道矩阵H(t+1)的估计值。

进一步地，判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值之后，还包括：

如果没有达到，将下一时刻t+1作为当前时刻t，然后执行获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)的步骤。

进一步地，预设的信道估计精度阈值为10^-5。

第二方面，本发明提供了一种基于张量模型的信道估计装置，包括：

第一建立模块，用于建立上行多用户协作系统中基站接收到的上行信号的上行信号系统模型；

第二建立模块，用于根据所述上行信号系统模型，建立所述上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，所述三阶张量模型的三维分别对应所述上行信号、所述上行信号的到达角度和时变信道；

信道估计模块，用于根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值。

进一步地，当所述上行多用户协作系统包括M个簇和1个所述基站，每个簇由1个用户端和R个协作中继组成，所述基站配置有K个全向天线，所述基站接收每个所述用户端向所述基站直接发送的上行信号、以及与每个所述用户端对应的R个所述协作中继向所述基站转发的上行信号时，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的上行信号系统模型为：

$\left\{\begin{array}{c}{y}_{k,n}^{\mathrm{sd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m^{\mathrm{sd}}\left(t\right)a_k\left({\mathrm{\θ}}_m\right)s_{n,m}\\ y_{k,r,n}^{\mathrm{rd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\left({\mathrm{\θ}}_m\right)h_{r,m}^w\left(t\right)s_{n,m}\end{array}\right.$

其中，表示t时刻所述基站第k个全向天线接收到的第m个簇中的用户端直传的上行信号，表示t时刻所述基站第k个全向天线接收到的第m个簇中的第r个中继转发的上行信号，M、R、K、m、r、n和k为自然数，t为实数，m小于等于M、r小于等于R、k小于等于K、n小于等于N，N表示符号周期长度，表示t时刻第m个簇中的用户端与所述基站之间的时变信道，a_k(θ_m)表示所述基站第k个全向天线接收到的第m簇的上行信号的到达角度，s_n,m表示服从独立分布的第m簇中的用户端或中继传输的第n个符号周期上行信号， 表示t时刻第m簇中的第r个中继与所述基站之间的时变信道，f_r,m表示第m簇中的第r个中继的放大系数，表示t时刻第m簇中的用户端与第r个中继之间的时变信道；

相应地，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型为：

其中，R₁＝R+1， 且[A(t)]_k,m为a_k(θ_m)的矩阵表示；且[S(t)]_n,m为信号s_n,m的矩阵表示；当前时刻t的时变信道矩阵且[H(t)]_1，m为的矩阵表示，当前时刻t的时变信道矩阵且[H(t)]_r,m为的矩阵表示，H^T(t)为H(t)的转置。

进一步地，所述信道估计模块包括：

获取单元，用于获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)，其中，

第一得到单元，用于根据所述新上行增量信号y⁽¹⁾(t+1)和当前时刻t的上行信号Υ(t)，得到下一时刻t+1的上行信号Υ(t+1)为：

第二得到单元，用于根据当前时刻t的所述新上行增量信号y⁽¹⁾(t+1)，得到下一时刻t+1的第一次的时变信道增量h^T(t+1)为：其中，表示的伪逆；

第三得到单元，用于根据第一次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值为：

第四得到单元，用于通过指数窗和截断窗函数求下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值H^T(t+1)的伪逆得到下一时刻t+1的为：

第五得到单元，用于通过PARAFAC-LMST方法或PARAFAC-RLST方法更新，得到下一时刻t+1的第二次的时变信道增量h^T(t+1)为：

第六得到单元，用于根据第二次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值为：

判断单元，用于判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值；

作为单元，用于如果所述判断单元的判断结果是达到，则将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道矩阵H(t+1)的估计值。

进一步地，所述信道估计模块还包括：

通知单元，用于如果所述判断单元的判断结果是没有达到，将下一时刻t+1作为当前时刻t，然后通知所述获取单元执行获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)的步骤。

进一步地，预设的信道估计精度阈值为10^-5。

本发明提供的技术方案带来的有益效果是：

根据上行信号系统模型，建立上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，三阶张量模型包括时变信道，根据三阶张量模型，基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对时变信道进行盲跟踪，得到时变信道的估计值，获取的是时变信道的估计值，不但可以适用于慢变信道的协作通信系统，还可以适用于快衰落信道的协作通信系统。通过将上一次信道估计的结果作为本次估计计算的初始值，收敛速度比传统的批处理算法更快。兼顾信道性能和系统计算迭代执行时间两个因素，给出了合理的信道估计精度阈值。尤其是采用PARAFAC-RLST算法的系统误码率与迫零(ZF)算法相差很小。复杂度比传统ALS批处理算法复杂度大大降低，特别是PARAFAC-LMST算法。PARAFAC-LMST具有计算量小和硬件实现简单的优势；PARAFAC-RLST具有估计精度高、收敛速度快的优势。还具有系统参数选取灵活的优点，从而可以应用到很多实际场景中。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于张量模型的信道估计方法流程图；

图2为本发明实施例提供的一种上行多用户协作系统示意图；

图3为本发明实施例提供的另一种基于张量模型的信道估计方法流程图；

图4为本发明实施例提供的一种估计精度对信道估计性能和收敛速度的影响示意图；

图5为本发明实施例提供的一种复杂度比较示意图；

图6为本发明实施例提供的一种系统误码率比较示意图；

图7为本发明实施例提供的一种基于张量模型的信道估计装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

参见图1，本发明实施例提供了一种基于张量模型的信道估计方法，包括以下步骤：

101：建立上行多用户协作系统中基站接收到的上行信号的上行信号系统模型。

102：根据上行信号系统模型，建立上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，三阶张量模型的三维分别对应上行信号、上行信号的到达角度和时变信道。

103：根据三阶张量模型，基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对时变信道进行盲跟踪，得到时变信道的估计值。

参见图2，当上行多用户协作系统包括M个簇和1个基站，每个簇由1个用户端和R个协作中继组成(用户端和协作中继都以半双工方式工作，用户端和协作中继都配置单全向天线)，基站配置有K个全向天线，基站接收每个用户端向基站直接发送的上行信号、以及与每个用户端对应的R个协作中继向基站转发的上行信号时，当前时刻t，基站第k个全向天线接收到的第n个符号周期上行信号的上行信号系统模型为：

$\left\{\begin{array}{c}{y}_{k,n}^{\mathrm{sd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m^{\mathrm{sd}}\left(t\right)a_k\left({\mathrm{\θ}}_m\right)s_{n,m}\\ y_{k,r,n}^{\mathrm{rd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\left({\mathrm{\θ}}_m\right)h_{r,m}^w\left(t\right)s_{n,m}\end{array}\right.$

其中，表示t时刻基站第k个全向天线接收到的第m个簇中的用户端直传的上行信号，表示t时刻基站第k个全向天线接收到的第m个簇中的第r个中继转发的上行信号，M、R、K、m、r、n和k为自然数，t为实数，m小于等于M、r小于等于R、k小于等于K、n小于等于N，N表示符号周期长度，表示t时刻第m个簇中的用户端与基站之间的时变信道，a_k(θ_m)表示基站第k个全向天线接收到的第m簇的上行信号的到达角度，s_n,m表示服从独立分布的第m簇中的用户端或中继传输的第n个符号周期上行信号， 表示t时刻第m簇中的第r个中继与基站之间的时变信道，f_r,m表示第m簇中的第r个中继的放大系数，表示t时刻第m簇中的用户端与第r个中继之间的时变信道；

相应地，当前时刻t，基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型为：

其中，R₁＝R+1， 且[A(t)]_k,m为a_k(θ_m)的矩阵表示；且[S(t)]_n,m为信号s_n,m的矩阵表示；当前时刻t的时变信道矩阵且[H(t)]_1，m为的矩阵表示，当前时刻t的时变信道矩阵且[H(t)]_r,m为的矩阵表示，H^T(t)为H(t)的转置。

并且，其中是维数固定的变量，是维数随时间变化的未知变量。

需要说明的是，张量模型需要满足唯一性条件，如果任意矩阵能转换成矩阵(A,S,H)，其中， $A=\stackrel{\‾}{A}\mathrm{\Π}{\mathrm{\Λ}}_1,S=\stackrel{\‾}{S}\mathrm{\Π}{\mathrm{\Λ}}_2,H=\tilde{H}\mathrm{\Π}{\mathrm{\Λ}}_3,$ Λ₁,Λ₂,Λ₃是任意对角矩阵，满足Λ₁Λ₂Λ₃＝I_K,Π是任意置换矩阵。那么矩阵(A,S,H)具有PARAFAC(Adaptive Tracking Parallel Factor，自适应跟踪平行因子)分解的唯一性。根据克鲁斯克尔演算法Kruskal’s PARAFAC模型唯一性理论：

k_A+k_H+k_S≥2n+2     (1)

其中，k_A表示矩阵A有k-阶秩，最大k_A是指矩阵A的k_A列线性独立；k_H表示矩阵H有k-阶秩,最大k_H是指矩阵H的k_H列线性独立；k_S表示矩阵S有k-阶秩,最大k_S是指矩阵S的k_S列线性独立。

当前时刻t，基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型中，时变信道矩阵满足独立连续分布，因此A,H和S是全k满秩的。则条件(1)转化为

min(K,M)+min(R+1,M)+min(N,M)≥2M+2     (2)

符号周期长度远大于簇数，即N＞＞M。所以矩阵S是列满秩。条件方程(2)转化为：

min(K,M)+min(R+1,M)≥M+2     (3)

由条件式(3)可知，全向天线数不小于簇数(即K≥M)时，所有中继协作系统都满足分解唯一条件；当直接链路(用户端至基站的链路)与协作中继链路(用户端至中继至基站的链路)之和不小于簇数时，基站装有双全向天线的中继协作系统可满足分解唯一条件。通过上述简单的条件就可以满足张量模型下中继协作系统盲信道估计唯一性。

具体地，参见图3，根据三阶张量模型，基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST(Least MeanSquares Tracking)方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST(Recursive Least Squares Tracking)方法对时变信道进行盲跟踪，得到时变信道的估计值，包括：

103a：获取基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)。

其中，

103b：根据新上行增量信号y⁽¹⁾(t+1)和当前时刻t的上行信号Υ(t)，得到下一时刻t+1的上行信号Υ(t+1)为：

103c：根据当前时刻t的新上行增量信号y⁽¹⁾(t+1)，得到下一时刻t+1的第一次的时变信道增量h^T(t+1)为：

其中，表示的伪逆。

103d：根据第一次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值为：

103e：通过指数窗和截断窗函数求下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值H^T(t+1)的伪逆得到下一时刻t+1的为：

103f：通过PARAFAC-LMST方法或PARAFAC-RLST方法更新，得到下一时刻t+1的第二次的时变信道增量h^T(t+1)为：

103g：根据第二次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值为：

103h：判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值，如果达到，则执行103i；否则，执行103j。

其中，预设的信道估计精度阈值为10^-5。

信道估计精度阈值δ的选取不但影响估计性能，同时还直接影响系统迭代计算执行次数，即直接影响跟踪时间。图4为采用PARAFAC-RLST方法选取不同精度时，系统迭代次数与信道时变矩阵H估计归一化均方误差(NMSE)关系图。信道估计NMSE定义如下：

$\mathrm{NMSE}\left(H\right)=\frac{1}{N_M}\underset{l=1}{\overset{N_M}{\mathrm{\Σ}}}\frac{{\left|\right|\hat{H}\left(l\right)-H\left|\right|}_F^2}{{\left|\right|H\left|\right|}_F^2}$

为矩阵H的第l次蒙特卡罗仿真，||·||_F表示归一化范数，N_M为蒙特卡罗仿真次数。

从图4可以看出当δ＝10^-5时信道估计性能和收敛速度与δ＝10^-6时非常相近。由此可见，兼顾信道性能和系统计算迭代执行时间两个因素，信道估计精度阈值选取δ＝10^-5最为合理。

103i：将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道H(t+1)的估计值。

将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道H(t+1)的估计值后，还可以由恢复出t+1时刻的上行信号到达角度A(t+1)和上行信号估计值S(t+1)。

103j：将下一时刻t+1作为当前时刻t，然后执行103a。

具体地，将下一时刻t+1作为当前时刻t，即将t+1赋予t(t＝＝t+1)，再次进行估计跟踪，直到达到预设的信道估计精度阈值。

参见图5，本实施例比较了ALS(Alternating Least Squares，交替最小二乘法)批处理算法、PARAFAC-LMST方法和PARAFAC-RLST方法的复杂度曲线和坐标值。分别考虑K＝3和K＝4时，窗函数分别选用指数窗和截断窗进行复杂度分析。从图5可以看出，PARAFAC-LMST方法和PARAFAC-RLST方法的复杂度比传统ALS批处理算法复杂度大大降低，特别是PARAFAC-LMST方法。所以PARAFAC-LMST方法具有计算量小和硬件实现简单的优势。

参见图6，为系统采用BPSK调制，蒙特卡罗仿真得到的系统平均误码率。从图6可以看出，PARAFAC-LMST方法和PARAFAC-RLST方法与已有PARAFAC分解相比都不同程度地提高了终端检测性能。尤其是采用PARAFAC-RLST方法的系统误码率与迫零(ZF)算法相差很小。

本实施例所述的基于张量模型的信道估计方法，根据上行信号系统模型，建立上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，三阶张量模型包括时变信道，根据三阶张量模型，基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对时变信道进行盲跟踪，得到时变信道的估计值，获取的是时变信道的估计值，不但可以适用于慢变信道的协作通信系统，还可以适用于快衰落信道的协作通信系统。通过将上一次信道估计的结果作为本次估计计算的初始值，收敛速度比传统的批处理算法更快。兼顾信道性能和系统计算迭代执行时间两个因素，给出了合理的信道估计精度阈值。尤其是采用PARAFAC-RLST方法的系统误码率与迫零(ZF)算法相差很小。复杂度比传统ALS批处理算法复杂度大大降低，特别是PARAFAC-LMST方法。PARAFAC-LMST方法具有计算量小和硬件实现简单的优势；PARAFAC-RLST方法具有估计精度高、收敛速度快的优势。还具有系统参数选取灵活的优点，从而可以应用到很多实际场景中。

参见图7，本发明提供了一种基于张量模型的信道估计装置，包括：

第一建立模块201，用于建立上行多用户协作系统中基站接收到的上行信号的上行信号系统模型；

第二建立模块202，用于根据上行信号系统模型，建立上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，三阶张量模型的三维分别对应上行信号、上行信号的到达角度和时变信道；

信道估计模块203，用于根据三阶张量模型，基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对时变信道进行盲跟踪，得到时变信道的估计值。

进一步地，当上行多用户协作系统包括M个簇和1个基站，每个簇由1个用户端和R个协作中继组成，基站配置有K个全向天线，基站接收每个用户端向基站直接发送的上行信号、以及与每个用户端对应的R个协作中继向基站转发的上行信号时，当前时刻t，基站第k个全向天线接收到的第n个符号周期上行信号的上行信号系统模型为：

$\left\{\begin{array}{c}{y}_{k,n}^{\mathrm{sd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m^{\mathrm{sd}}\left(t\right)a_k\left({\mathrm{\θ}}_m\right)s_{n,m}\\ y_{k,r,n}^{\mathrm{rd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\left({\mathrm{\θ}}_m\right)h_{r,m}^w\left(t\right)s_{n,m}\end{array}\right.$

其中，表示t时刻基站第k个全向天线接收到的第m个簇中的用户端直传的上行信号，表示t时刻基站第k个全向天线接收到的第m个簇中的第r个中继转发的上行信号，M、R、K、m、r、n和k为自然数，t为实数，m小于等于M、r小于等于R、k小于等于K、n小于等于N，N表示符号周期长度，表示t时刻第m个簇中的用户端与基站之间的时变信道，a_k(θ_m)表示基站第k个全向天线接收到的第m簇的上行信号的到达角度，s_n,m表示服从独立分布的第m簇中的用户端或中继传输的第n个符号周期上行信号， 表示t时刻第m簇中的第r个中继与基站之间的时变信道，f_r,m表示第m簇中的第r个中继的放大系数，表示t时刻第m簇中的用户端与第r个中继之间的时变信道；

相应地，当前时刻t，基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型为：

其中，R₁＝R+1， 且[A(t)]_k,m为a_k(θ_m)的矩阵表示；且[S(t)]_n,m为信号s_n,m的矩阵表示；当前时刻t的时变信道矩阵且[H(t)]_1，m为的矩阵表示，当前时刻t的时变信道矩阵且[H(t)]_r,m为的矩阵表示，H^T(t)为H(t)的转置。

进一步地，信道估计模块203包括：

获取单元，用于获取基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)，其中，

第一得到单元，用于根据新上行增量信号y⁽¹⁾(t+1)和当前时刻t的上行信号Υ(t)，得到下一时刻t+1的上行信号Υ(t+1)为：

第二得到单元，用于根据当前时刻t的新上行增量信号y⁽¹⁾(t+1)，得到下一时刻t+1的第一次的时变信道增量h^T(t+1)为：其中，表示的伪逆；

第三得到单元，用于根据第一次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值为：

第四得到单元，用于通过指数窗和截断窗函数求下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值H^T(t+1)的伪逆得到下一时刻t+1的为：

第五得到单元，用于通过PARAFAC-LMST方法或PARAFAC-RLST方法更新，得到下一时刻t+1的第二次的时变信道增量h^T(t+1)为：

第六得到单元，用于根据第二次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值为：

判断单元，用于判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值；

作为单元，用于如果判断单元的判断结果是达到，则将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道矩阵H(t+1)的估计值。

进一步地，信道估计模块203还包括：

通知单元，用于如果判断单元的判断结果是没有达到，将下一时刻t+1作为当前时刻t，然后通知获取单元执行获取基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)的步骤。

进一步地，预设的信道估计精度阈值为10^-5。

本实施例所述的基于张量模型的信道估计方法，根据上行信号系统模型，建立上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，三阶张量模型包括时变信道，根据三阶张量模型，基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对时变信道进行盲跟踪，得到时变信道的估计值，获取的是时变信道的估计值，不但可以适用于慢变信道的协作通信系统，还可以适用于快衰落信道的协作通信系统。通过将上一次信道估计的结果作为本次估计计算的初始值，收敛速度比传统的批处理算法更快。兼顾信道性能和系统计算迭代执行时间两个因素，给出了合理的信道估计精度阈值。尤其是采用PARAFAC-RLST方法的系统误码率与迫零(ZF)算法相差很小。复杂度比传统ALS批处理算法复杂度大大降低，特别是PARAFAC-LMST方法。PARAFAC-LMST方法具有计算量小和硬件实现简单的优势；PARAFAC-RLST方法具有估计精度高、收敛速度快的优势。还具有系统参数选取灵活的优点，从而可以应用到很多实际场景中。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于张量模型的信道估计方法，其特征在于，所述方法包括：

建立上行多用户协作系统中基站接收到的上行信号的上行信号系统模型；

根据所述上行信号系统模型，建立所述上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，所述三阶张量模型的三维分别对应所述上行信号、所述上行信号的到达角度和时变信道；

根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值。

2.根据权利要求1所述的方法，其特征在于，当所述上行多用户协作系统包括M个簇和1个所述基站，每个簇由1个用户端和R个协作中继组成，所述基站配置有K个全向天线，所述基站接收每个所述用户端向所述基站直接发送的上行信号、以及与每个所述用户端对应的R个所述协作中继向所述基站转发的上行信号时，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的上行信号系统模型为：

$\left\{\begin{array}{c}{y}_{k,n}^{\mathrm{sd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m^{\mathrm{sd}}\left(t\right)a_k\left({\mathrm{\θ}}_m\right)s_{n,m}\\ y_{k,r,n}^{\mathrm{rd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\left({\mathrm{\θ}}_m\right)h_{r,m}^w\left(t\right)s_{n,m}\end{array}\right.$

其中，表示t时刻所述基站第k个全向天线接收到的第m个簇中的用户端直传的上行信号，表示t时刻所述基站第k个全向天线接收到的第m个簇中的第r个中继转发的上行信号，M、R、K、m、r、n和k为自然数，t为实数，m小于等于M、r小于等于R、k小于等于K、n小于等于N，N表示符号周期长度，表示t时刻第m个簇中的用户端与所述基站之间的时变信道，a_k(θ_m)表示所述基站第k个全向天线接收到的第m簇的上行信号的到达角度，s_n,m表示服从独立分布的第m簇中的用户端或中继传输的第n个符号周期上行信号， 表示t时刻第m簇中的第r个中继与所述基站之间的时变信道，f_r，m表示第m簇中的第r个中继的放大系数，表示t时刻第m簇中的用户端与第r个中继之间的时变信道；

相应地，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型为：

其中，R₁＝R+1， 且[A(t)]_k,m为a_k(θ_m)的矩阵表示；且[S(t)]_n,m为信号s_n,m的矩阵表示；当前时刻t的时变信道矩阵且[H(t)]₁，_m为的矩阵表示，当前时刻t的时变信道矩阵且[H(t)]_r,m为的矩阵表示，H^T(t)为H(t)的转置。

3.根据权利要求2所述的方法，其特征在于，根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值，包括：

获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)，其中，

根据所述新上行增量信号y⁽¹⁾(t+1)和当前时刻t的上行信号Υ(t)，得到下一时刻t+1的上行信号Υ(t+1)为：

根据当前时刻t的所述新上行增量信号y⁽¹⁾(t+1)，得到下一时刻t+1的第一次的时变信道增量h^T(t+1)为：其中，表示的伪逆；

根据第一次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值为：

通过指数窗和截断窗函数求下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值H^T(t+1)的伪逆得到下一时刻t+1的为：

通过PARAFAC-LMST方法或PARAFAC-RLST方法更新，得到下一时刻t+1的第二次的时变信道增量h^T(t+1)为：

根据第二次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值为：

判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值；

如果达到，则将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道矩阵H(t+1)的估计值。

4.根据权利要求3所述的方法，其特征在于，判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值之后，还包括：

如果没有达到，将下一时刻t+1作为当前时刻t，然后执行获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)的步骤。

5.根据权利要求3或4所述的方法，其特征在于，预设的信道估计精度阈值为10^-5。

6.一种基于张量模型的信道估计装置，其特征在于，所述装置包括：

第一建立模块，用于建立上行多用户协作系统中基站接收到的上行信号的上行信号系统模型；

第二建立模块，用于根据所述上行信号系统模型，建立所述上行多用户协作系统中基站接收到的上行信号的三阶张量模型，其中，所述三阶张量模型的三维分别对应所述上行信号、所述上行信号的到达角度和时变信道；

信道估计模块，用于根据所述三阶张量模型，所述基站接收到的新上行增量信号，利用自适应跟踪平行因子分解-最小均方误差跟踪PARAFAC-LMST方法或自适应跟踪平行因子分解-递归最小二乘法跟踪PARAFAC-RLST方法对所述时变信道进行盲跟踪，得到所述时变信道的估计值。

7.根据权利要求6所述的装置，其特征在于，当所述上行多用户协作系统包括M个簇和1个所述基站，每个簇由1个用户端和R个协作中继组成，所述基站配置有K个全向天线，所述基站接收每个所述用户端向所述基站直接发送的上行信号、以及与每个所述用户端对应的R个所述协作中继向所述基站转发的上行信号时，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的上行信号系统模型为：

$\left\{\begin{array}{c}{y}_{k,n}^{\mathrm{sd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{h}_m^{\mathrm{sd}}\left(t\right)a_k\left({\mathrm{\θ}}_m\right)s_{n,m}\\ y_{k,r,n}^{\mathrm{rd}}\left(t\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\left({\mathrm{\θ}}_m\right)h_{r,m}^w\left(t\right)s_{n,m}\end{array}\right.$

其中，表示t时刻所述基站第k个全向天线接收到的第m个簇中的用户端直传的上行信号，表示t时刻所述基站第k个全向天线接收到的第m个簇中的第r个中继转发的上行信号，M、R、K、m、r、n和k为自然数，t为实数，m小于等于M、r小于等于R、k小于等于K、n小于等于N，N表示符号周期长度，表示t时刻第m个簇中的用户端与所述基站之间的时变信道，a_k(θ_m)表示所述基站第k个全向天线接收到的第m簇的上行信号的到达角度，s_n,m表示服从独立分布的第m簇中的用户端或中继传输的第n个符号周期上行信号， 表示t时刻第m簇中的第r个中继与所述基站之间的时变信道，f_r,m表示第m簇中的第r个中继的放大系数，表示t时刻第m簇中的用户端与第r个中继之间的时变信道；

相应地，当前时刻t，所述基站第k个全向天线接收到的第n个符号周期上行信号的三阶张量模型为：

其中，R₁＝R+1， 且[A(t)]_k,m为a_k(θ_m)的矩阵表示；且[S(t)]_n,m为信号s_n,m的矩阵表示；当前时刻t的时变信道矩阵且[H(t)]_1，m为的矩阵表示，当前时刻t的时变信道矩阵且[H(t)]_r,m为的矩阵表示，H^T(t)为H(t)的转置。

8.根据权利要求7所述的装置，其特征在于，所述信道估计模块包括：

获取单元，用于获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)，其中，

第一得到单元，用于根据所述新上行增量信号y⁽¹⁾(t+1)和当前时刻t的上行信号Υ(t)，得到下一时刻t+1的上行信号Υ(t+1)为：

第二得到单元，用于根据当前时刻t的所述新上行增量信号y⁽¹⁾(t+1)，得到下一时刻t+1的第一次的时变信道增量h^T(t+1)为：其中，表示的伪逆；

第三得到单元，用于根据第一次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值为：

第四得到单元，用于通过指数窗和截断窗函数求下一时刻t+1的时变信道矩阵H(t+1)的第一次估计值H^T(t+1)的伪逆得到下一时刻t+1的为：

第五得到单元，用于通过PARAFAC-LMST方法或PARAFAC-RLST方法更新，得到下一时刻t+1的第二次的时变信道增量h^T(t+1)为：

第六得到单元，用于根据第二次的时变信道增量h^T(t+1)，得到下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值为：

判断单元，用于判断下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值的估计精度是否达到预设的信道估计精度阈值；

作为单元，用于如果所述判断单元的判断结果是达到，则将下一时刻t+1的时变信道矩阵H(t+1)的第二次估计值作为下一时刻t+1的时变信道矩阵H(t+1)的估计值。

9.根据权利要求8所述的装置，其特征在于，所述信道估计模块还包括：

通知单元，用于如果所述判断单元的判断结果是没有达到，将下一时刻t+1作为当前时刻t，然后通知所述获取单元执行获取所述基站下一时刻t+1接收到的新上行增量信号y⁽¹⁾(t+1)的步骤。

10.根据权利要求8或9所述的装置，其特征在于，预设的信道估计精度阈值为10^-5。