CN105187336A - 一种基于大规模mu-mimo系统的到达角估计方法 - Google Patents

Abstract

本发明公开了一种基于大规模多用户多输入多输出(MU-MIMO)系统的到达角估计方法，属于大规模MU-MIMO系统信号处理技术领域。本发明包括以下步骤：(1)设计正交导频，避免用户间的干扰；(2)在不同时刻采样，并根据样本值得到均值信号，降低噪声对接收信号的影响；(3)利用正交导频的正交性，在接收端分离出各用户对应的接收信号；(4)计算各用户在接收端相邻的接收天线上信号的相位差；(5)利用各用户接收信号之间的相位差包含的信息，实现到达角的估计。采用本发明计算到达角，方法简单，具有计算复杂度低、估计精度高的优势，可应用于具有相关关系的各种系统参数的估计中。

Description

一种基于大规模MU-MIMO系统的到达角估计方法

技术领域

本发明属于大规模多用户多输入多输出(MU-MIMO)系统信道估计的信号处理技术领域，更具体地，涉及一种基于大规模MU-MIMO系统的到达角估计方法。

背景技术

大规模多用户MU-MIMO系统是基站天线数目非常大(一般大于等于32)并同时服务于多个用户的系统。在大规模MU-MIMO系统中，接收端信道的均衡和检测都需要精确的信道状态信息。但是，当基站天线数目和用户数目都非常大时，信道矩阵的维度变的非常大，信道估计问题也变得非常复杂。目标信号入射到接收天线阵列的角度被称为到达角。通过到达角(本文所述到达角为基站端接收信号的仰角)估计可以获得目标方位参数，是信道估计中非常关键的一部分，因此，成为近年来研究的一个热点。

在早期的阵列信号到达角估计中比较有代表性的算法是波束形成算法，但该算法具有一定的限制性，只有在阵列孔径的倒数小于信源距离的时候才能够对信号源的方位进行较为有效的估计。上个世纪80年代，出现了以多重信号分类(MUSIC)算法和旋转不变子空间(ESPRIT)算法为代表的子空间类信号到达角估计算法，其中MUSIC算法是到达角估计算法研究的里程碑，而ESPRIT算法在MUSIC算法的基础上加以改进，避开了MUSIC算法的不足，无需进行谱峰搜索。因此该算法复杂度低，且高效稳定。但是，在大规模MU-MIMO系统中，随着用户数目和基站天线数目的增加，ESPRIT算法存在估计精度下降和计算复杂度变大的缺点。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于大规模MU-MIMO系统的到达角估计方法，利用信道矩阵之间的相关性实现，可在较低的计算复杂度下比较准确的实现大规模MU-MIMO系统中的到达角估计。本发明提出一种基于大规模MU-MIMO系统的到达角估计方法，其特征在于，包括如下步骤：

步骤1：生成K×K的正交码矩阵X，根据X在发射端生成和发送导频信号S，在接收端得到接收信号Y(t)＝HS+W(t)；其中，H为M×K的矩阵_，表示系统的平坦衰落信道矩阵；W(t)为M×K的矩阵，表示均值为零的高斯白噪声矩阵；K为用户数目，M为基站天线数目；I_K表示K阶单位矩阵；表示矩阵X的共轭转置；

步骤2：在F个不同的时刻对接收信号Y(t)采样，通过样本值求得M×K维的均值信号 $\stackrel{\‾}{Y}=\frac{1}{F}\underset{t=1}{\overset{F}{\Σ}}Y\left(t\right)=HS+\frac{1}{F}\underset{t=1}{\overset{F}{\Σ}}W\left(t\right)\≈HS;$

步骤3：计算各用户在接收端去掉用户间干扰后分别对应的M×K维的独立接收信号Z，

步骤4：计算各用户在各相邻接收天线上信号的相位差，第k个用户的相位差Φ_k为： ${\mathrm{\Φ}}_k=\frac{1}{M-1}\underset{m=1}{\overset{M-1}{\Σ}}\frac{z_{m+1,k}}{z_{m,k}},k=1,2,...,K,$ z_m,k表示矩阵Z的第m行第k列元素，进而得到所有用户的相位差估计值Φ，Φ为Φ_k组成的K×1的列向量；

步骤5：计算第k个用户的到达角 进而得到所有用户的到达角 为组成的K×1的列向量，其中常数D表示接收端相邻天线之间的距离，常数λ表示导频信号的波长，距离和波长计量单位一致，j表示复数的虚部。

进一步的，步骤2中，所述F为大于1的整数，根据计算精度需要确定，F越大，计算精度越高。

在步骤1里，正交码矩阵X可以根据扩频码生成。令K×K的矩阵X_K表示二进制编码矩阵，其中x_K(k)表示具有K个元素的行向量，K＝2^N，N为正整数。X_K是根据X_K/2生成的：

$X_K=\left[\begin{array}{c}{x}_K\left(1\right)\\ x_K\left(2\right)\\ x_K\left(3\right)\\ x_K\left(4\right)\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ x_K(K-1)\\ x_K\left(K\right)\end{array}\right]=\left[\begin{array}{c}{x}_{K/2}\left(1\right)x_{K/2}\left(1\right)\\ x_{K/2}\left(1\right){\stackrel{\‾}{x}}_{K/2}\left(1\right)\\ x_{K/2}\left(2\right)x_{K/2}\left(2\right)\\ x_{K/2}\left(2\right){\stackrel{\‾}{x}}_{K/2}\left(2\right)\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ x_{K/2}(K-2)x_{K/2}(K-2)\\ x_{K/2}(K-2){\stackrel{\‾}{x}}_{K/2}(K-2)\end{array}\right]$

其中是x_K/2(k)的二进制的补码，从而得到正交码矩阵X＝X_K；

在步骤2里，F根据计算精度需要选择，得到接收信号的F个样本值，根据样本值得到均值信号可以降低噪声对接收信号的影响；

在步骤3里，为避免不同用户间的干扰，利用正交导频的正交性以及接收端已知用户发送的导频信号S，可以在接收端得到各用户导频信号对应的接收信号Z，即

在步骤4里，同一用户在接收天线上的独立接收信号Z的相邻两行之间可近似认为幅值相同，只相差一个相同的相位。计算所有用户的相位差Φ，Φ为K×1的列向量，令其第k个元素Φ_k表示第k个用户的相位差，则 ${\mathrm{\Φ}}_k=\frac{1}{M-1}\underset{m=1}{\overset{M-1}{\Σ}}\frac{z_{m+1,k}}{z_{m,k}},k=1,2,...,K;$

在步骤5里，各用户对应的相位差包含到达角的信息，利用到达角和相位差的关系，根据Φ得到到达角令其第k个元素表示第k个用户的到达角，则

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：不涉及复杂的矩阵运算，操作简单，因此计算复杂度较低；由于信道矩阵具有很强的相关性，在相同条件下，与传统的方法(比如ESPRIT算法)相比，本发明方法的到达角估计精度较高；较强的实用性使得本发明可应用于具有相关关系的各种系统参数的估计中。

附图说明

图1是本发明基于大规模MU-MIMO系统的到达角估计方法的流程图；

图2是本发明实施例的线性天线阵列模型的示意图；

图3、图4是本发明实施例及ESPRIT算法实现到达角估计的均方根误差与信噪比的关系曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

图1所示为本发明基于大规模MU-MIMO系统的到达角估计方法的流程图。在用户数目为K，基站天线数目为M的大规模MU-MIMO系统中，具体包括以下步骤：

步骤1：设计正交导频S：

正交导频S可以利用扩频码生成的正交码组成，令K×K的矩阵X_K表示二进制编码矩阵，x_K(k)表示具有K个元素的行向量，K＝2^N，N为正整数，X_K是根据X_K/2生成的：

$X_K=\left[\begin{array}{c}{x}_K\left(1\right)\\ x_K\left(2\right)\\ x_K\left(3\right)\\ x_K\left(4\right)\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ x_K(K-1)\\ x_K\left(K\right)\end{array}\right]=\left[\begin{array}{c}{x}_{K/2}\left(1\right)x_{K/2}\left(1\right)\\ x_{K/2}\left(1\right){\stackrel{\‾}{x}}_{K/2}\left(1\right)\\ x_{K/2}\left(2\right)x_{K/2}\left(2\right)\\ x_{K/2}\left(2\right){\stackrel{\‾}{x}}_{K/2}\left(2\right)\\ \begin{array}{c}\·\\ \·\\ \·\end{array}\\ x_{K/2}(K-2)x_{K/2}(K-2)\\ x_{K/2}(K-2){\stackrel{\‾}{x}}_{K/2}(K-2)\end{array}\right]$

其中是x_K/2(k)的二进制的补码，从而得到正交码矩阵X＝X_K。由正交码生成的导频信号S作为发射信号，则接收信号矩阵为Y(t)＝HS+W(t)，其中，M×K的矩阵H表示系统的平坦衰落信道矩阵，M×K的矩阵W(t)表示均值为零的高斯白噪声矩阵。

步骤2：计算接收信号的均值：

在F个不同的时刻对接收信号采样，其中F为大于1的整数，根据计算精度需要选择，得到接收信号的F个样本值，根据样本值得到均值信号 $\stackrel{\‾}{Y}=\frac{1}{F}\underset{t=1}{\overset{F}{\Σ}}Y\left(t\right)=HS+\frac{1}{F}\underset{t=1}{\overset{F}{\Σ}}W\left(t\right)\≈HS,$ 可以降低噪声对接收信号的影响。

步骤3：将不同用户的信号分开：

为避免不同用户间的干扰，利用正交导频的正交性以及接收端已知用户发送的导频信号S，可以在接收端得到各用户导频信号对应的独立接收信号Z，即

步骤4：计算各用户在各相邻接收天线上信号的相位差，第k个用户的相位差Φ_k计算式为：z_m,k表示矩阵Z的第m行第k列元素，进而得到所有用户的相位差估计值Φ，Φ为Φ_k组成的K×1的列向量；

步骤5：利用到达角和相位差的关系第k个用户的到达角计算式为：进而得到所有用户的到达角 为组成的K×1的列向量，其中常数D表示接收端相邻天线之间的距离，常数λ表示导频信号的波长，j表示复数的虚部。

实施例：

图2所示为本发明实施例的线性天线阵列模型的示意图，将本发明基于大规模MU-MIMO系统的到达角估计方法用于接收天线阵列为线性天线阵列的大规模MU-MIMO系统中，具体包括以下步骤：

步骤1：在本发明实施例的线性天线阵列中，用户数目为K＝8或K＝16，基站天线数目为M＝32。用户数K＝8时，由扩频码生成的导频信号S作为发射信号，

$S=\left[\begin{array}{cccccccc}1& 1& 1& 1& 1& 1& 1& 1\\ 1& -1& 1& -1& 1& -1& 1& -1\\ 1& 1& -1& -1& 1& 1& -1& -1\\ 1& -1& -1& 1& 1& -1& -1& 1\\ 1& 1& 1& 1& -1& -1& -1& -1\\ 1& -1& 1& -1& -1& 1& -1& 1\\ 1& 1& -1& -1& -1& -1& 1& 1\\ 1& -1& -1& 1& -1& 1& 1& -1\end{array}\right]$

则接收信号矩阵为Y(t)＝HS+W(t)，其中，H表示系统的平坦衰落信道矩阵，W(t)表示均值为零的高斯白噪声矩阵；

步骤2：在F＝20、F＝20和F＝30三种不同情况下对接收信号采样，可以得到F＝20、F＝20和F＝30个接收信号的样本值。通过样本值得到均值信号来降低噪声对接收信号的影响。

步骤3：为避免各用户之间的干扰，利用正交导频的正交性以及接收端已知用户发送的导频信号S，可以在接收端得到各用户导频信号对应的独立接收信号Z，即

步骤4：在大规模MU-MIMO系统中，同一用户信号在基站相邻天线之间的接收信号只是相差一个相位，计算该相位差Φ，令其第k个元素Φ_k表示第k个用户的相位差，则 ${\mathrm{\Φ}}_k=\frac{1}{M-1}\underset{m=1}{\overset{M-1}{\Σ}}\frac{z_{m+1,k}}{z_{m,k}},k=1,2,...,K.$

步骤5：在大规模MU-MIMO系统中，根据相位差的估计值Φ，以及到达角和相位差的关系，实现到达角的估计

图3所示为本发明实施例及ESPRIT方法实现到达角估计的均方根误差与信噪比的关系曲线图。图3中“ESPRIT”表示ESPRIT方法的仿真结果，“Proposed”表示本发明提出的方法的仿真结果。如图3所示为在用户的数量K＝8，基站天线的数目为M＝32的大规模MU-MIMO系统中，在样本数F＝10、F＝20和F＝30三种情况下，本发明提出的算法和ESPRIT两种算法进行到达角估计的均方根误差随着信噪比变化的曲线。分析图3可以得到结论：对于两种算法而言，样本数目越多估计性能越好；本发明提出的算法估计性能比ESPRIT算法的估计性能好，并且，本发明提出的算法在样本数目(例如F＝10)小于ESPRIT算法(例如F＝30)的情况下，性能依然比ESPRIT算法的性能好。

图4所示为本发明实施例及ESPRIT方法实现到达角估计的均方根误差与信噪比的关系曲线图。图4中“ESPRIT”表示ESPRIT方法的仿真结果，“Proposed”表示本发明提出的方法的仿真结果。如图4所示为在用户的数量K＝16，基站天线的数目为M＝32的大规模MU-MIMO系统中，在样本数F＝10、F＝20和F＝30三种情况下，本发明提出的算法和ESPRIT两种算法实现到达角估计的均方根误差随着信噪比变化的曲线。分析图4可以得到和分析图3一样的结论。另外，比较图3和图4可以得到结论：随着用户天线数目的增加，ESPRIT算法的性能会有所变差，而发明提出的算法性能基本不受用户天线数目的影响。

下表1所示为本发明和ESPRIT算法的计算复杂度比较结果。

算法	计算复杂度
		本发明方法	Ο{F×K2×M}＝40960
ESPRIT算法	Ο{F×K×M2}＝163840

表1

在大规模MU-MIMO系统中，基站天线数目一般远大于用户数目，即M远大于K，因此从表1中可以看出，实施例中本发明方法的复杂度要明显低于ESPRIT算法的复杂度。可见，本发明能在计算复杂度低于传统的ESPRIT算法的情况下，实现比ESPRIT算法更准确的到达角估计。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于大规模MU-MIMO系统的到达角估计方法，其特征在于，包括如下步骤：

步骤1：生成K×K的正交码矩阵X，根据X在发射端生成和发送导频信号S，在接收端得到接收信号Y(t)＝HS+W(t)；其中，H为M×K的矩阵，表示系统的平坦衰落信道矩阵；W(t)为M×K的矩阵，表示均值为零的高斯白噪声矩阵；K为用户数目，M为基站天线数目；I_K表示K阶单位矩阵；表示矩阵X的共轭转置；

步骤2：在F个不同的时刻对接收信号Y(t)采样，通过样本值求得M×K维的均值信号 $\stackrel{\‾}{Y}=\frac{1}{F}\underset{t=1}{\overset{F}{\Σ}}Y\left(t\right)=HS+\frac{1}{F}\underset{t=1}{\overset{F}{\Σ}}W\left(t\right)\≈HS;$

步骤3：计算各用户在接收端去掉用户间干扰后分别对应的M×K维的独立接收信号Z，

步骤4：计算各用户在各相邻接收天线上信号的相位差，第k个用户的相位差Φ_k为： ${\mathrm{\Φ}}_k=\frac{1}{M-1}\underset{m=1}{\overset{M-1}{\Σ}}\frac{z_{m+1,k}}{z_{m,k}},k=1,2,...,K,$ z_m,k表示矩阵Z的第m行第k列元素，进而得到所有用户的相位差估计值Φ，Φ为Φ_k组成的K×1的列向量；

步骤5：计算第k个用户的到达角 进而得到所有用户的到达角 为组成的K×1的列向量，其中常数D表示接收端相邻天线之间的距离，常数λ表示导频信号的波长，距离和波长计量单位一致，j表示复数的虚部。

2.如权利要求1所述的到达角估计方法，其特征在于，所述F为大于1的整数，根据计算精度需要确定，F越大，计算精度越高。