CN104698430A - 一种用于提高精度的基于虚拟天线阵列的角度估计方法 - Google Patents

Abstract

本申请公开了一种用于提高精度的基于虚拟天线阵列的角度估计方法，该方法针对大规模均匀线性天线阵列下的毫米波通信系统，利用毫米波信道的稀疏特性，通过在收、发端的天线阵列上添加若干虚拟阵元，结合压缩重构算法，来估计多径信道中每一径的天线发送角和到达角。采用本发明，可以提升角度估计的精度、降低导频序列开销且无需改变天线阵列硬件。

Description

一种用于提高精度的基于虚拟天线阵列的角度估计方法

技术领域

本发明涉及移动通信技术，特别是涉及一种用于提高精度的基于虚拟天线阵列的角度估计方法。

背景技术

为了满足下一代移动通信系统(5G)对高速数据传输率和大容量的需求，我们需要寻找更大传输带宽的频谱资源和研究高频谱效率的传输技术。毫米波频段的可用传输带宽可超过1GHz，是提供更大传输带宽的潜在频谱资源，因而毫米波通信技术有着广阔的发展前景。毫米波段的通信频段高，信号路径损耗十分严重，相比于微波通信，毫米波通信的信号衰减高了20-40dB左右，链路衰减问题十分突出。考虑到毫米波波长较短，毫米波通信系统可以通过在收发端部署大规模天线阵列，利用波束赋形、相干接收获得高的赋形增益来补偿严重的路径损耗。但波束赋形与相干接收需要准确的信道状态信息，尤其是信道的发送角和到达角。同时，由于毫米波频段的射频链路成本高昂，为节省成本，大规模天线阵列下的射频链路数通常远小于天线数目。传统的空间超分辨率角度估计方法(例如MUSIC/ESPRINT等算法)是对各天线阵元直接接收的信号进行处理，而毫米波通信系统先对阵元接收的信号进行加权合并后再在数字域进行处理，因此无法使用传统的空间超分辨率角度估计方法。

在给定信号频率及天线阵元间隔条件下，可通过增加阵元数来提高角度分辨率。然而通过增加天线阵元数增加天线空间不仅增加了硬件成本，而且增加风阻，不利用实际应用。因此，单纯依靠增大天线阵列孔径来提高角度分辨力难以适应实际的工程需要。

为解决传统天线阵列角度分辨率的限制，虚拟阵列(Virtual Antenna Array：VAA)技术应运而生。虚拟阵列技术在不增大实际的天线阵列尺寸的前提下，能增大天线阵列的等效孔径，从而提高角度估计精度。

虚拟天线阵列是指根据实际阵列天线接收的信号构造虚拟阵元的信号或者信号的某些特征数据以达到在一定条件下对原阵列进行扩展。广义上讲，能够通过阵列天线处理方法构造出虚拟阵元都可以叫做虚拟天线阵列。

目前，提出了两种涉及角度估计的虚拟天线阵列的实现方案，一种是基于内插变换的虚拟天线阵列，另一种是基于空间冲激响应的虚拟天线阵列。前一种是基于天线阵列响应的内插变换以获得等效于更大孔径的天线阵列响应的虚拟天线阵列。该方案需要在收发端添加内插运算模块，增加了射频硬件的成本。后一种方案是通过对天线阵列的快速移动，获得不同空间位置的冲激响应从而得到等效的扩展的VAAs。基于空间冲激响应扩展的虚拟天线阵列是将阵元在空间不同位置上冲激响应合成为一个等效具有更大尺寸的阵列。该方案由于需要天线阵列的快速移动，同时还需要依赖于应用场景中不同信道的状况差异较小的前提，因此，仅适用于不变信道或慢衰落信道，且需对天线阵列快速移动，因此，也不适用于毫米波通信。

由此可见，上述传统的虚拟天线阵列方法在毫米波信道角度估计中应用，会存在成本高或者无法应用于快变信道且需快速移动天线阵列等问题。

发明内容

有鉴于此，本发明的主要目的在于提供一种用于提高精度的基于虚拟天线阵列的角度估计方法，该方法适用于毫米波通信系统，实现成本低，且估计精度高。

为了达到上述目的，本发明提出的技术方案为：

一种用于提高精度的基于虚拟天线阵列的角度估计方法，包括：

发送端依次在每条射频链路m上发送一个训练序列，并对每条射频链路m上的训练序列，利用一个波束赋形向量e_P(i_m)进行波束赋形，将波束赋形结果通过N_M个天线阵元发送给接收端；其中，m＝1,2,...,M_M，M_M为发送端的射频链路总数，所有所述训练序列相互正交，所述e_P(i_m)为第i_m个元素为1、其他元素为零的P维列向量，所述P为发送端包括虚拟阵元在内的虚拟天线阵列的阵元总数，所有所述波束赋形向量e_P(i_m)的非零元素编号i_m的集合为集合R_M＝{1,2,...,N_M}的子集，所述N_M为发送端虚拟天线阵列中的物理天线阵元数量；

所述接收端侧的每条射频链路对所述训练序列的接收信号进行合并接收；其中，第n条射频链路使用合并矢量e_K(i_n)进行所述合并接收，n＝1,2,...,M_B，所述M_B为接收端的射频链路总数；所述e_K(i_n)为仅第i_n个元素为1、其他元素为零的K维列向量，所述K为接收端包括虚拟阵元在内的虚拟天线阵列的阵元总数；所有所述合并矢量e_K(i_n)的非零元素编号i_n的集合为集合R_B＝{1,2,...,N_B}的子集，所述N_B为接收端虚拟天线阵列中的物理天线阵元数量；

所述接收端根据所述合并接收结果，利用压缩重构方法，估计多径信道中每一径的天线发送角和到达角。

综上所述，本发明提出的用于提高精度的基于虚拟天线阵列的角度估计方法，基于毫米波信道特点，利用虚拟阵元以及压缩重构方法，不需要增加额外的天线阵元物理实体，即可实现较高精度和角度分辨率的角度估计。因此，本发明适用于毫米波通信系统，实现成本低，且估计精度高。

附图说明

图1为本发明实施例一的流程示意图；

图2为本发明实施例一中发送处理流程示意图；

图3为本发明实施例一中接收处理流程示意图；

图4为本发明在加性白高斯噪声信道状况下，随机生成100000次的链路级仿真实施试验图；

图5为分别采用传统角度估计方法和本发明的角度估计方法时的估计误差曲线仿真对比图。

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，下面将结合附图及具体实施例对本发明作进一步地详细描述。

本发明的核心思想是：针对大规模均匀线性天线阵列下的毫米波通信系统，通过在收发端的天线阵列上添加若干虚拟阵元，以获得较大的孔径，从而提升角度估计的精度。该方法无需增加额外的天线阵元物理实体，原因在于当采用基于随机测量的压缩重构方法时，导频/训练序列可以随机选择发射天线阵元，通过设计相应的训练方式，使得导频/训练序列不从虚拟阵元上发射，并依然实现满足压缩重构算法具有可重构条件的随机测量设计。当采用常规的压缩重构方法时，本发明即可实现较高精度和角度分辨率的角度估计，仿真结果也表明了该方法的有效性。

为了便于清楚阐述本发明，在对本发明的实施例进行说明之前，先根据毫米波信道本身所具有的稀疏特性，对基于离散傅里叶变换矩阵的毫米波信道稀疏表征进行说明分析如下：

考虑一个采用大规模天线阵列的毫米波通信上行系统，发送端有N_M个天线阵元和M_M个射频链路，接收端有N_B个天线阵元和M_B个射频链路；为了增加天线孔径，在收发端分别添加若干个虚拟天线阵列，使得发送端和接收端的总阵列数分别达到P和K个；

(1)考虑远场通信，各个天线阵列接收信号的幅度衰落值近似一致，天线的发送角和到达角不同，发送端第n个阵列和接收端第m个阵列间的毫米波信道可表示为：

$H_{\mathrm{mn}}=\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\β}}_l{e}^{j2\mathrm{\π}(m-1)\sin \left({\mathrm{\θ}}_l\right)/2}{e}^{j2\mathrm{\π}(n-1)\sin \left({\mathrm{\φ}}_l\right)/2},$

其中，θ_l和φ_l分别为第l径的天线到达角和发送角，β_l是第l径的衰落系数，L为总路径数；

(2)对上述毫米波信道进行离散化处理，H_mn的离散化形式为：

$H_{\mathrm{mn}}(k,p)=\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}\underset{p=0}{\overset{P-1}{\mathrm{\Σ}}}g(k,p)e^{j2\mathrm{\π}(m-1)k/K}{e}^{j2\mathrm{\π}(n-1)p/P},$

其中，g(k,p)为第k个发送天线阵元到第p个接收天线阵元之间的虚拟信道冲激响应。

(3)根据H_mn的离散化形式，选取离散傅里叶变换为一组正交基，将天线阵列间的毫米波信道矩阵H进行稀疏表征，相应形式为：

其中，F_B和F_M分别为K×K维和P×P维离散傅里叶变换矩阵，G为K×P的虚拟信道矩阵。

基于上述毫米波信道的稀疏特性，引入压缩感知方法，可以实现本发明的上述发明目的。图1为本发明实施例一的流程示意图，如图1所示，该实施例主要包括：

步骤101、发送端依次在每条射频链路m上发送一个训练序列，并对每条射频链路m上的训练序列，利用一个波束赋形向量e_P(i_m)进行波束赋形，将所述波束赋形结果通过N_M个天线阵元发送给接收端。

其中，m＝1,2,...,M_M，M_M为发送端的射频链路总数，所有所述训练序列相互正交，所述e_P(i_m)为第i_m个元素为1、其他元素为零的P维列向量，所述P为发送端包括虚拟阵元在内的虚拟天线阵列的天线阵元总数，所有所述波束赋形向量e_P(i_m)的非零元素编号i_m的集合为集合R_M＝{1,2,...,N_M}的子集，即所述N_M为发送端虚拟天线阵列的物理天线阵元数量。

本步骤中，发送端将分别在每条射频链路上发送一个训练序列，每条射频链路上的训练序列将利用波束赋形向量e_P(i_m)来进行波束赋形。采用上述方式设计该波束赋形向量，可以使得M_M个P维波束赋形向量e_P(i_m)构成的P×M_M维波束赋形矩阵W_M的特征为：W_M的后P-N_M行都为0，从而信号不从虚拟阵元上发射；W_M每列仅一个元素为1，即每次挑选一个物理天线阵元进行发射。如此，可以确保训练序列不从虚拟阵元上发射，并依然实现满足压缩重构算法具有可重构条件的随机测量设计，从而可以利用压缩重构算法实现较高精度和角度分辨率的角度估计。

图2给出了本步骤的发送流程示意图。图中，x_m为发送端在第m条射频链路上发送的训练序列。

较佳地，所述集合中的各元素可以采用从所述集合R_M＝{1,2,...,N_M}中随机选取的方式得到。不同训练序列使用的所述波束赋形向量e_P(i_m)不同，即P_M中的各元素是不同的。

步骤102、所述接收端侧的每条射频链路对所述训练序列的接收信号进行合并接收。

其中，第n条射频链路使用合并矢量e_K(i_n)进行所述合并接收，n＝1,2,...,M_B，所述M_B为接收端的射频链路总数；所述e_K(i_n)为仅第i_n个元素为1、其他元素为零的K维列向量，所述K为接收端包括虚拟阵元在内的虚拟天线阵列的天线阵元总数；所有所述合并矢量e_K(i_n)的非零元素编号i_n的集合为集合R_B＝{1,2,...,N_B}的子集，即所述N_B为接收端虚拟天线阵列中的物理天线阵元数量。

本步骤中，采用上述仅第i_n个元素为1、其他元素为零的合并矢量进行合并处理，将使得M_B个K维合并矢量e_K(i_n)构成的K×M_B维合并矢量矩阵W_B的特征为：W_B的后K-N_B行都为0，从而信号不从虚拟阵元上接收；W_B每列仅一个元素为1，即每次挑选一个物理天线阵元进行接收。

较佳地，所述集合中的元素可以采用从所述集合R_B＝{1,2,...,N_B}中随机选取的方式得到。

步骤103、所述接收端根据所述合并接收结果，利用压缩重构方法，估计多径信道中每一径的天线发送角和到达角。

本步骤中，可以采用常规的压缩重构方法实现，例如可以为匹配跟踪(MP)、正交匹配追踪(OMP)、基跟踪(BP)或压缩重构匹配跟踪(CoSaMP)等方法。

具体地，本步骤可以采用下述方法实现：

所述接收端根据所述合并接收结果，确定相应的接收信号矩阵及其表达式；根据所述表达式，对所述接收信号矩阵进行去除训练序列处理，并对该处理结果进行向量化处理，得到虚拟信道向量采用压缩重构方法，对所述虚拟信道向量进行压缩重构，得到相应的估计值对所述估计值进行矩阵化处理，得到估计的虚拟虚拟信道矩阵根据所述虚拟信道矩阵非零元素所在的行号k和列号p，计算每一径的天线发送角和到达角。

这里，经过压缩重构后，估计值中非零元素的个数将为所述虚拟信道向量的稀疏度L。

所述行号k将对应发送端的第k个发送天线阵元，所述列号p将对应接收端的第p个接收天线阵元。

进一步地，所述接收端可以按照 $Y=[y_1,y_2,...,y_2,...,y_{M_B}]=W_B^T{F}_B^T{\mathrm{GF}}_M{W}_{M}X+Z,$ 确定所述接收信号矩阵Y及其表达式其中，所述y_n为接收端在第n条射频链路上的接收信号矢量，Z是M_B×M_M维高斯白噪声矩阵；W_B为所有所述合并矢量e_K(i_n)构成的K×M_B维矩阵；W_M为所有所述波束赋形向量e_P(i_m)构成的P×M_M维波束赋形矩阵；F_B和F_M分别为K×K维和P×P维离散傅里叶变换矩阵；G为K×P的虚拟信道矩阵；所述X为由所有所述训练序列构成的一个酉矩阵，x_m为发送端在第m条射频链路上发送的训练符号所对应的训练矢量。

较佳地，可以采用下述方法进行去除训练序列处理：

对所述接收信号矩阵Y及其表达式右乘X^H，得到去除训练序列的接收信号矩阵R，其中，所述X^H为由所有所述训练序列构成的酉矩阵的共轭转置。

较佳地，可以按照进行所述向量化处理，即将M×N维矩阵的N个M维的列矢量依次堆积为一个长为MN的长矢量。其中，R为去除训练序列的接收信号矩阵，Ξ＝ΦΨ为感知矩阵，为等效噪声向量，是压缩感知算法中的采样矩阵，是变换矩阵，为维度为KP、稀疏度为L的虚拟信道向量，F_B和F_M分别为K×K维和P×P维离散傅里叶变换矩阵，表示克罗内克(Kroneckor)乘积，(·)^T表示矩阵的转置运算。

较佳地，可以根据和计算得到每一径的天线发送角θ_l和到达角φ_l，l为多径信道的径编号。

利用上述步骤102、103即可实现接收端的角度估计，具体流程如图3所示。

从上述实施例可以看出，利用上述方式设计虚拟天线阵列结构，在不改变天线阵列物理结构的基础上，收发端只需添加若干个虚拟天线阵元，以提高角度分辨率，实现角度估计精度提升；通过设计训练方式保证导频/训练序列不从虚拟阵元上发射或接收，从而不仅保证了可靠的角度估计，同时又不改变天线阵列的物理结构。

另外，发送端对波束赋形矩阵W_M中第N_M行后面所有行向量置零，接收端对合并矩阵W_B第N_B行后面所有行向量置零，相应的波束赋形和合并接收矩阵使得训练序列不通过虚拟阵元发送和接收；对于测量矩阵发送端对波束赋形矩阵W_M前N_M行赋值，将每个列向量中随机位置的某个元素设为一，其他元素值设为零；接收端端同时对前N_B行中每个列向量中随机位置的某个元素设为一，其他元素值设为零；此时，导频/训练序列可以随机选择发射和接收的天线阵元，同时又满足基于随机测量的压缩重构算法可重构条件。当采用常规的压缩重构算法时，即可实现较高精度和角度分辨率的角度估计。

因此，本发明通过在大规模天线阵列收发端添加虚拟阵列，在不增加天线物理实体的同时，实现任意角度分辨率和较高精度的角度估计，可以获得如下优点：

1、无需添加物理实体天线，即可实现任意角度分辨率的角度估计，极大地降低了装置部署天线的成本。

2、通过设计收发端的波束赋形方案，使得虚拟阵列无需发送/接收信号，从而无需改变天线阵列的物理结构；。

3、设计的波束赋形矩阵与接收合并矩阵保证了采用常规的压缩重构算法即可完成可靠的角度估计，不仅大大减少了训练序列数，从而减少了角度估计的时延。

本发明适用于大规模天线阵列下的毫米波通信系统，有效克服了现有角度估计方法资源开销大，角度分辨率限制的问题。下面通过仿真实例对本发明的上述技术效果做进一步的阐述。图4为在加性白高斯噪声信道状况下，随机生成100000次的链路级仿真实施试验图，其中收发端天线数同设定为128根天线，且射频链路数和总阵元数相等，即N_B＝N_M＝N＝128，M_B＝M_M＝M，和K＝P。图4中曲线为本发明方法实施例中在不同阵元数K下角度估计误差曲线，射频链路数M等于8，路径数L等于1。仿真实验表明，在发射信噪比从-10dB增加到5dB的过程中，本发明实施例中角度估计方法的角度估计误差逐渐降低，接近于本发明实例的角度估计方法的角度估计误差下限值。随着阵元数K增加，角度分辨率增大，角度估计误差也越小，但是角度估计误差与理论下界值差别也越大。

图5中给出了分别采用传统角度估计方法和本发明的角度估计方法时的估计误差曲线仿真对比图。图5中，数据点为正方形的曲线是传统角度估计方法的估计误差曲线，其他的为本发明实施例中的角度估计方法的估计误差曲线，发送端天线数为32，射频链路数为6，接收端天线数为64，射频链路数为10，路径数为1，r为阵元数和物理实体天线数的比值。在发射信噪比从-5dB增加到5dB的过程中，随着虚拟阵元数增加，r值越大，本发明实施例中的角度估计方法的估计误差越大。当r＝4时，本发明实施例的角度估计方法的估计误差高于传统角度估计方法的估计误差；随着r的值小于4时，本发明实施例的角度估计方法的估计性能越好，并在高信噪比处低于传统角度估计方法的估计误差，因此，本发明的实施例试验是成功的，实现了发明目的。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (9)

1.一种用于提高精度的基于虚拟天线阵列的角度估计方法，其特征在于，包括：

发送端依次在每条射频链路m上发送一个训练序列，并对每条射频链路m上的训练序列，利用一个波束赋形向量e_P(i_m)进行波束赋形，将所述波束赋形结果通过N_M个天线阵元发送给接收端；其中，m＝1,2,...,M_M，M_M为发送端的射频链路总数，所有所述训练序列相互正交，所述e_P(i_m)为第i_m个元素为1、其他元素为零的P维列向量，所述P为发送端包括虚拟阵元在内的虚拟天线阵列的阵元总数，所有所述波束赋形向量e_P(i_m)的非零元素编号i_m的集合为集合R_M＝{1,2,...,N_M}的子集，所述N_M为发送端虚拟天线阵列中的物理天线阵元数量；

所述接收端侧的每条射频链路对所述训练序列的接收信号进行合并接收；其中，第n条射频链路使用合并矢量e_K(i_n)进行所述合并接收，n＝1,2,...,M_B，所述M_B为接收端的射频链路总数；所述e_K(i_n)为仅第i_n个元素为1、其他元素为零的K维列向量，所述K为接收端包括虚拟阵元在内的虚拟天线阵列的阵元总数；所有所述合并矢量e_K(i_n)的非零元素编号i_n的集合为集合R_B＝{1,2,...,N_B}的子集，所述N_B为接收端虚拟天线阵列中的物理天线阵元数量；

所述接收端根据所述合并接收结果，利用压缩重构方法，估计多径信道中每一径的天线发送角和到达角。

2.根据权利要求1所述的方法，其特征在于，所述根据所述合并接收结果，利用压缩重构方法，估计每一径的天线发送角和到达角包括：

所述接收端根据所述合并接收结果，确定相应的接收信号矩阵及其表达式；根据所述表达式，对所述接收信号矩阵进行去除训练序列处理，并对该处理结果进行向量化处理，得到虚拟信道向量采用压缩重构方法，对所述虚拟信道向量进行压缩重构，得到相应的估计值对所述估计值进行矩阵化处理，得到估计的虚拟虚拟信道矩阵根据所述虚拟信道矩阵非零元素所在的行号k和列号p，计算每一径的天线发送角和到达角。

3.根据权利要求2所述的方法，其特征在于，所述接收端按照 $Y=[y_1,y_2,...,y_2,...,y_{M_B}]=W_B^T{F}_B^T{\mathrm{GF}}_M{W}_{M}X+Z,$ 确定所述接收信号矩阵Y及其表达式；其中，所述y_n为接收端在第n条射频链路上接收的信号矢量，Z是M_B×M_M维高斯白噪声矩阵；W_B为所有所述合并矢量e_K(i_n)构成的K×M_B维矩阵；W_M为所有所述波束赋形向量e_P(i_m)构成的P×M_M维波束赋形矩阵；F_B和F_M分别为K×K维和P×P维离散傅里叶变换矩阵；G为K×P的虚拟信道矩阵；所述X为由所有所述训练序列构成的一个酉矩阵，x_m为发送端在第m条射频链路上发送的训练符号所对应的训练矢量。

4.根据权利要求2所述的方法，其特征在于，所述去除训练序列处理包括：

对所述接收信号矩阵Y及其表达式右乘X^H，得到去除训练序列的接收信号矩阵R，其中，所述X^H为由所有所述训练序列构成的酉矩阵的共轭转置。

5.根据权利要求2所述的方法，其特征在于，按照进行所述向量化处理，其中，R为去除训练序列的接收信号矩阵，Ξ＝ΦΨ为感知矩阵，为等效噪声向量，是压缩感知算法中的采样矩阵，是变换矩阵，为维度为KP、稀疏度为L的虚拟信道向量，F_B和F_M分别为K×K维和P×P维离散傅里叶变换矩阵，表示克罗内克K ronecker乘积，(·)^T表示矩阵的转置运算。

6.根据权利要求2所述的方法，其特征在于，所述压缩重构方法为匹配跟踪MP、正交匹配追踪OMP、基跟踪BP或压缩重构匹配跟踪CoSaMP方法。

7.根据权利要求2所述的方法，其特征在于，根据和计算得到每一径的天线发送角θ_l和到达角φ_l，l为多径信道的径编号。

8.根据权利要求1所述的方法，其特征在于，所述集合中的元素采用从所述集合R_M＝{1,2,...,N_M}中随机选取的方式得到。

9.根据权利要求1所述的方法，其特征在于，所述集合中的元素采用从所述集合R_B＝{1,2,...,N_B}中随机选取的方式得到。