CN105119853A - 一种基于贝叶斯方法的多用户大规模mimo信道估计方法 - Google Patents

Abstract

本发明属于无线通信技术领域，尤其涉及一种频分双工(FDD)模式下的多用户大规模MIMO(MU‐Massive？MIMO)系统的信道估计方法。在多用户大规模MIMO系统中，本发明利用信道的联合稀疏性，引入基于贝叶斯方法的稀疏信号重构算法进行信道估计，大大减少了信道估计的开销，使得信道估计的时间远小于信道的相干时间。本发明将信道估计的开销降低到了传统信道估计方法的20％左右,信道估计的时间远小于信道的相干时间，使得大规模MIMO信道估计在实际中的实现变得可能。

Description

一种基于贝叶斯方法的多用户大规模MIMO信道估计方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种频分双工(FDD)模式下的多用户大规模MIMO(MU-MassiveMIMO)系统的信道估计方法。

背景技术

大规模MIMO系统是第五代移动通信系统的关键技术之一，其主要优势在于：系统容量随着天线数量增加而增加；降低发送信号功率；简单的线性预编码器与检测器即可达到最优性能；信道之间趋于正交化，因此消除了小区内同道干扰。实现这些优势的前提是基站(BS)知晓信道状态信息(CSIT)。在时分双工(TDD)系统中，利用上下行信道的互易性在用户端(MS)进行信道估计。则信道估计开销是独立于基站端的大规模天线阵天线数N的，只与用户数K有关。因此TDD系统中，信道估计的开销不会造成系统的负担。而对于FDD大规模MIMO系统，其信道估计的流程为：基站向各用户广播导频信号，移动用户利用接收信号估计CSIT然后反馈回基站。这种情况下，导频信号数与基站天线数成正比，由于在大规模MIMO系统中，天线数量巨大，常规的信道估计方法(如最小二乘法)将面临巨大的训练开销，使得训练时间变长，甚至超过信道的想干时间，使得信道估计失去意义。

由于大规模MIMO系统信道的稀疏性，利用基于稀疏信号恢复技术的信道估计方法可以大量减少FDD大规模MIMO系统信道估计的开销。压缩感知是一种全新的信号采样理论，它利用信号的稀疏性，在远小于奈奎斯特速率的情况下，用随机采样获取信号的离散样本，然后通过非线性算法完美重构信号。稀疏贝叶斯学习(SparseBayesianLearning,SBL)最初作为一种机器学习算法由微软研究院的Tipping于2001年提出，随后被引入到稀疏信号恢复领域(BCS)。Wipf证明，BCS等价于一种迭代加权L1最小化算法，而L1算法仅仅只是其第一步，而Candes等人指出，迭代加权L1最小化算法更易获得真正的最稀疏解。因此，与其他基于LI最小化的算法相比，BCS具有显著的优势。

如图1所示，在多用户MIMO系统中，由于基站端与用户端天线数的巨大差异，基站端与用户端对于散射效应的反应也截然不同，呈现出基站端传播路径的稀疏性而用户端传播路径的丰富性。同时，不同用户之间由于部分接收到相同的散射体的散射信号，其信道之间存在着部分相关的特性，这就是多用户大规模MIMO系统信道的联合稀疏性。

发明内容

在多用户大规模MIMO系统中，本发明利用信道的联合稀疏性，引入基于贝叶斯方法的稀疏信号重构算法进行信道估计，大大减少了信道估计的开销，使得信道估计的时间远小于信道的相干时间。

为了方便地描述本发明的内容，首先对本发明使用的术语、系统和模型进行介绍：

基站：BS。

用户端：MS。

FDD多用户大规模MIMO信道估计系统模型：

假设需要估计的信道是平坦块衰落的，即在某段时间内信道状态不变。

系统有一个BS，K个MS，所述BS配置了具有N个天线的大规模天线阵，每一个MS具有M个天线，则FDD多用户大规模MIMO信道估计的数学模型可以表示为Y_j＝H_jX+N_j，其中，Y_j表示第j个MS的接收信号矩阵，H_j表示BS与第j个MS之间的信道矩阵，X为导频信号，N_j为接收噪声信号矩阵。

标准压缩感知数学模型：

y＝Αx+n，其中，Α是大小为m×n的感知矩阵，y为m×1维压缩信号，x为n×1维的稀疏信号，其稀疏度为s，即x中只有s＜＜n个元素非零，其余元素全部为0，n是m×1维的系统噪声且其元素服从均值为0，方差为σ²的高斯分布，m＜＜n。

一种基于贝叶斯方法的多用户大规模MIMO信道估计方法，包括如下步骤：

S1、初始化，具体为：

S11、BS用T个时隙向K个MS广播T个导频信号X＝[x⁽¹⁾,x⁽²⁾,...,x^(T)]∈C^N×T，其中，N为BS的天线数，X＝U_TX^a，酉矩阵 $U_T(p,q)=\sqrt{\frac{1}{N}}\exp \left\{\frac{-2\mathrm{\π}(p-1)(q-1)}{N}\right\},$ p,q∈[0,N-1]，X^a∈C^N×T的元素即从集合中以等概率抽取，P为每个时隙的导频信号功率；

S12、K个MS的接收信号矩阵为{Y_j:j＝1,2,...,K},Y_j表示第j个MS的接收信号矩阵；

S13、进行符号转换，令 $\begin{array}{c}{F}_j=Y_j^H{U}_R\\ \mathrm{\Φ}=X^H{U}_T\\ S_j={\left(H_j^a\right)}^H\\ E_j=N_j^H{U}_R\end{array},$ 则 $\begin{array}{c}\{F_j:j=1,2,...,K\},\\ \mathrm{\Φ},\\ \{S_j:j=1,2,...,K\}\end{array},$ 其中，j＝1,2,...K，酉矩阵 $U_R(a,b)=\sqrt{\frac{1}{M}}\exp \left\{\frac{-2\mathrm{\π}(a-1)(b-1)}{M}\right\},a,b\∈\[0,M-1\],$ Φ表示压缩感知测量矩阵，S_j为角度域信道矩阵的共轭转置，角度域信道矩阵为Ε_j为等效高斯噪声矩阵，N_j为接收噪声信号矩阵；

S2、各用户稀疏支持集并行估计，即利用多任务BCS算法分别估计K个MS的稀疏支持集合，得到K个估计的信道稀疏支持集合，表示为其中，t表示中间量；

S3、确定共同的稀疏支持集合，即由公式确定出共同的稀疏支持集合，其中，s_c＝|Ω_c|表示共同的稀疏支持个数，表示共同稀疏支持集合的估计，d是求和变量，I_A(·)为示性函数；

S4、进行非共同稀疏支持集合并行估计，具体为：

S41、根据公式计算各MS压缩信号残差，其中，I为单位矩阵，表示S13所述Φ中位置索引集合为的列；

S42、定义K个空集迭代更新(s_j-s_c)次，得到K个MS的非共同稀疏支持集合其中，s_j＝|Ω_j|表示第j个用户的稀疏支持个数；

S5、计算各用户候选稀疏支持集合

S6、利用S5所述自适应地重新估计各用户信道稀疏支持，具体为：若S5所述则稀疏支持集合的估计若则利用作为测量矩阵重新利用BCS估计各用户信道稀疏支持集合，估计结果为其中，表示S13所述Φ中位置索引集合为的列；

S7、多用户大规模MIMO信道估计，各用户的信道估计结果为其中，中索引为的行由公式计算出来，而剩余行全部为0。

进一步地，S42所述迭代更新过程具体为：

S421、令其中，表示S13所述Φ的第g列；

S422、更新压缩信号残差 $R_j=(I-{\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}^H{\left({\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}{\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}^H\right)}^{-1})F_j.$

本发明的有益效果是：

本发明将信道估计的开销降低到了传统信道估计方法的20％左右,信道估计的时间远小于信道的相干时间，使得大规模MIMO信道估计在实际中的实现变得可能。

附图说明

图1是多用大规模MIMO信道联合稀疏性示意图及其物理图景。

图2是算法流程示意图。

图3是本发明算法和其余稀疏信号重构算法实施于多用户大规模MIMO系统在不同训练开销下的性能对比图。

图4是本发明算法和其余稀疏信号重构算法实施于多用户大规模MIMO系统在不同信噪比下的性能对比图。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

图1为多用户大规模MIMO信道示意图。

假设用户数量K＝30，基站端和用户端都各自配置了均匀直线阵列(ULA)，且基站天线数N＝150，各用户天线数相同且为M＝2。假设各用户信道的稀疏支持个数(稀疏度)相同且为s＝15，共同的稀疏支持个数s_c＝7。

图2为多用户大规模MIMO信道估计流程图，根据流程图，使用上述参数可对算法进行仿真。

S1、初始化，具体为：

S11、BS用T个时隙向K个MS广播T个导频信号X＝[x⁽¹⁾,x⁽²⁾,...,x^(T)]∈C^N×T，其中，N为BS的天线数，X＝U_TX^a，酉矩阵 $U_T(p,q)=\sqrt{\frac{1}{N}}\exp \left\{\frac{-2\mathrm{\π}(p-1)(q-1)}{N}\right\},$ p,q∈[0,N-1]，X^a∈C^N×T的元素即从集合中以等概率抽取，P为每个时隙的导频信号功率；

S12、K个MS的接收信号矩阵为{Y_j:j＝1,2,...,K},Y_j表示第j个MS的接收信号矩阵；

S13、进行符号转换，令 $\begin{array}{c}{F}_j=Y_j^H{U}_R\\ \mathrm{\Φ}=X^H{U}_T\\ S_j={\left(H_j^a\right)}^H\\ E_j=N_j^H{U}_R\end{array},$ 则 $\begin{array}{c}\{F_j:j=1,2,...,K\},\\ \mathrm{\Φ},\\ \{S_j:j=1,2,...,K\}\end{array},$ 其中，j＝1,2,...K，酉矩阵 $U_R(a,b)=\sqrt{\frac{1}{M}}\exp \left\{\frac{-2\mathrm{\π}(a-1)(b-1)}{M}\right\},a,b\∈\[0,M-1\],$ Φ表示压缩感知测量矩阵，S_j为角度域信道矩阵的共轭转置，角度域信道矩阵为Ε_j为等效高斯噪声矩阵，N_j为接收噪声信号矩阵；

S2、各用户系数支持集并行估计，即利用多任务BCS算法分别估计K个MS的稀疏支持集合，得到K个估计的信道稀疏支持集合，表示为其中，t表示中间量；

S3、确定共同的稀疏支持集合，即由公式确定出共同的稀疏支持集合，其中，s_c＝|Ω_c|表示共同的稀疏支持个数，表示共同稀疏支持集合的估计，d是求和变量，I_A(·)为示性函数；

S4、进行非共同稀疏支持集合并行估计，具体为：

S41、根据公式计算各MS压缩信号残差，其中，I为单位矩阵，表示S13所述Φ中位置索引集合为的列；

S42、定义K个空集迭代更新(s_j-s_c)次，得到K个MS的非共同稀疏支持集合其中，s_j＝|Ω_j|表示第j个用户的稀疏支持个数，所述迭代更新过程具体为：

S421、令其中，表示S13所述Φ的第g列；

S422、更新压缩信号残差 $R_j=(I-{\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}^H{\left({\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}{\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}^H\right)}^{-1})F_j;$

S5、计算各用户候选稀疏支持集合

S6、利用S5所述自适应地重新估计各用户信道稀疏支持，具体为：若S5所述则稀疏支持集合的估计若则利用作为测量矩阵重新利用BCS估计各用户信道稀疏支持集合，估计结果为其中，表示S13所述Φ中位置索引集合为的列；

S7、多用户大规模MIMO信道估计，各用户的信道估计结果为其中，中索引为的行由公式计算出来，而剩余行全部为0。

图3是本发明方法应用于多用户大规模MIMO信道估计时的性能与其他稀疏信号恢复算法应用于相同信道估计时对于不同开销的性能对比图。从图中可以看出，本发明的算法在基站端发送50次导频信号的时候就达到了最优性能，而JOMP(JointOMP)需要70次，其余算法则需要更多。通过对比，说明了本发明的算法在减少多用户大规模MIMO信道估计开销方面具有明显的优势，使得大规模MIMO信道估计在实际中的实现变得可能。

图4是本发明算法应用于多用户大规模MIMO信道估计时的性能与其他稀疏信号恢复算法应用于相同信道估计时对于不同信噪比的性能对比图。说明了本发明在不同的信噪比环境下性能表现一致。可以在不同的信噪比下得出与图3相同的结论。

Claims (2)

1.一种基于贝叶斯方法的多用户大规模MIMO信道估计方法，其特征在于，包括如下步骤：

S1、初始化，具体为：

S11、BS用T个时隙向K个MS广播T个导频信号X＝[x⁽¹⁾,x⁽²⁾,...,x^(T)]∈C^N×T，其中，N为BS的天线数，X＝U_TX^a，酉矩阵 $U_T(p,q)=\sqrt{\frac{1}{N}}\exp \left\{\frac{-2\mathrm{\π}(p-1)(q-1)}{N}\right\},$ p,q∈[0,N-1]，X^a∈C^N×T的元素即从集合中以等概率抽取，P为每个时隙的导频信号功率；

S12、K个MS的接收信号矩阵为{Y_j:j＝1,2,...,K},Y_j表示第j个MS的接收信号矩阵；

S13、进行符号转换，令 $\begin{array}{c}{F}_j=Y_j^H{U}_R\\ \mathrm{\Φ}=X^H{U}_T\\ S_j={\left(H_j^a\right)}^H\\ E_j=N_j^H{U}_R\end{array},$ 则 $\begin{array}{c}\{F_j:j=1,2,...,K\},\\ \mathrm{\Φ},\\ \{S_j:j=1,2,...,K\}\end{array},$ 其中，j＝1,2,...K，酉矩阵 $U_R(a,b)=\sqrt{\frac{1}{M}}\exp \left\{\frac{-2\mathrm{\π}(a-1)(b-1)}{M}\right\},$ a,b∈[0,M-1]，Φ表示压缩感知测量矩阵，S_j为角度域信道矩阵的共轭转置，角度域信道矩阵为Ε_j为等效高斯噪声矩阵，N_j为接收噪声信号矩阵；

S2、各用户稀疏支持集并行估计，即利用多任务BCS算法分别估计K个MS的稀疏支持集合，得到K个估计的信道稀疏支持集合，表示为其中，t表示中间量；

S3、确定共同的稀疏支持集合，即由公式确定出共同的稀疏支持集合，其中，s_c＝|Ω_c|表示共同的稀疏支持个数，表示共同稀疏支持集合的估计，d是求和变量，I_A(·)为示性函数；

S4、进行非共同稀疏支持集合并行估计，具体为：

S41、根据公式计算各MS压缩信号残差，其中，I为单位矩阵，表示S13所述Φ中位置索引集合为的列；

S42、定义K个空集迭代更新(s_j-s_c)次，得到K个MS的非共同稀疏支持集合其中，s_j＝|Ω_j|表示第j个用户的稀疏支持个数；

S5、计算各用户候选稀疏支持集合

S6、利用S5所述自适应地重新估计各用户信道稀疏支持，具体为：若S5所述则稀疏支持集合的估计若则利用作为测量矩阵重新利用BCS估计各用户信道稀疏支持集合，估计结果为其中，表示S13所述Φ中位置索引集合为的列；

S7、多用户大规模MIMO信道估计，各用户的信道估计结果为其中，中索引为的行由公式计算出来，而剩余行全部为0。

2.根据权利要求1所述的一种基于贝叶斯方法的多用户大规模MIMO信道估计方法，其特征在于：S42所述迭代更新过程具体为：

S421、令其中，表示S13所述Φ的第g列；

S422、更新压缩信号残差 $R_j=(I-{\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}^H{\left({\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}{\mathrm{\Φ}}_{{\widehat{\mathrm{\Ω}}}_c\∪{\mathrm{\Ω}}_j^r}^H\right)}^{-1})F_j.$