CN105610479B - 一种大规模mu-mimo系统信道估计方法 - Google Patents

Abstract

本发明公开了一种大规模MU‑MIMO系统的信道估计方法，所述方法包括以下步骤：(1)设计生成正交导频信号，避免用户间的干扰；(2)利用正交导频的性质，在接收端消除用户间干扰；(3)利用主成分法计算因子载荷矩阵；(4)估计公共因子；(5)利用信道的相关性和噪声的不相关性去掉噪声，实现信道估计。通过执行本发明的信道估计方法，不仅可得到信道矩阵的估计值，而且具有计算复杂度低、估计精度高和不需要信道统计信息的优势。此外，本发明方法具有较高的实用性，其可应用于具有相关关系的各种系统参数的估计中。

Description

一种大规模MU-MIMO系统信道估计方法

技术领域

本发明属于MU-MIMO系统信号处理技术领域，更具体地，涉及一种大规模MU-MIMO系统信道估计方法。

背景技术

MIMO技术能提高无线信道容量，即在不增加带宽和天线发送功率的情况下显著提高频谱利用率。但是，传统的MIMO技术依然不能满足当代呈指数上涨的无线传输速率的需求。在2010年，贝尔实验室提出了大规模MIMO的概念。与传统MIMO相比，大规模MIMO将天线的数量进行了数量级的提高，基站使用数以百计的天线，同时对用户提供服务。大规模MIMO继承了MIMO系统的所有优点，并且大大地提高了这些优点。大规模MIMO系统使得通信更加稳健、更加安全、更加有效。

大规模多用户MIMO(MU-MIMO)系统是基站天线数目非常大并同时服务于多个用户的系统，信道模型采用的是有限物理散射信道模型。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(CSI)。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，因此信道估计已成为近年来研究的一个热点。

传统的信道估计方法，例如最小二乘(LS)算法、最小均方误差(MMSE)算法等，均假设无线信道是密集多径的，从而利用大量导频信号来实现信道估计，导致频谱资源利用率低。并且，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，传统的信道估计算法存在估计精度下降和计算复杂度非常大的缺点。于是提出了基于压缩感知的信道估计方法。但是这类方法均需要信道的统计信息，而在实际中是很难获得的。

发明内容

针对现有技术的以上缺陷或不足，本发明提供一种大规模MU-MIMO系统的信道估计方法，利用因子分析算法，可在较低的计算复杂度下，不需已知信道的统计信息就可以比较准确的实现大规模MU-MIMO系统中的信道估计。

为实现上述目的，本发明提供一种大规模MU-MIMO系统的信道估计方法，所述方法包括：

(1)生成K×K的正交导频信号S，在发射端发送正交导频信号S，则其在基站端的接收信号矩阵为Y(t)＝H(t)S+N(t)，其中表示系统的信道矩阵，表示噪声矩阵；K为用户数目，M为基站天线数目；

(2)消除用户间的干扰，得到每个用户在基站端的接收信号

(3)在I个不同的时刻，对每个用户在基站端的接收信号进行采样，得到每个用户在基站端的接收信号样本矩阵k＝1,2,...,K；

(4)分别对Z_k的实部和虚部利用主成分法进行同样的处理，估计每个用户的因子载荷矩阵B_k，k＝1,2,...,K；

(5)根据每个用户在基站端的接收信号样本矩阵Z_k和每个用户的因子载荷矩阵B_k，估计每个用户的公共因子f_k，k＝1,2,...,K；

(6)去掉噪声，根据每个用户的因子载荷矩阵B_k和公共因子f_k，得到每个用户的信道估计值为h_k＝B_kf_k，k＝1,2,...,K，进而得到整个信道的估计值H＝[h₁,h₂,...,h_K]。

作为进一步优选的，所述正交导频信号S可以由扩频码生成。

作为进一步优选的，步骤(3)中，每个用户在基站端的接收信号样本矩阵包括前I-1个时刻的接收信号Z_k(1),Z_k(2),...,Z_k(I-1)和当前时刻的接收信号Z_k(I)。

作为进一步优选的，所述步骤(4)具体包括：

(4-1)分别对Z_k的实部和虚部利用主成分法进行同样的处理，估计每个用户的样本协方差矩阵Σ_k,k＝1,2,...,K并对其做特征值分解，得到其特征值λ_k1≥λ_k2≥...≥λ_kM≥0和对应的特征向量μ_k1,μ_k2,...,μ_kM；

作为进一步优选的，步骤(5)中，所述每个用户的公共因子为其中表示的伪逆，表示B_k的转置，表示当前时刻的接收信号Z_k(I)的转置。

作为进一步优选的，所述公共因子个数Q为满足的最小正整数，其中snr为信噪比。

总体而言，按照本发明点的以上技术方案与现有技术相比，主要具备以下的技术优点：

1、与传统的信道估计方法(比如LS和MMSE算法)相比，本发明利用因子分析算法，将信号的实部与虚部分开，分别利用主成分法进行处理，最终通过估计的因子载荷矩阵和公共因子完成对整个信道的估计，在确保较低计算复杂度的同时，显著提高了信道估计的精度；

2、此外，与基于压缩感知的方法相比，本发明方法无需已知信道的统计信息；

3、本发明提出的信道估计方法，便于操控，具有一定的可实施性及实用推广价值，因而使得本发明方法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为本发明大规模MU-MIMO系统的信道估计方法的流程图；

图2为本发明实施例的线性天线阵列模型的示意图；

图3为本发明实施例及LS、MMSE算法实现信道估计的均方根误差与信噪比的关系曲线图；

图4为本发明实施例及LS、MMSE算法实现信道估计的复杂度与用户数目的关系曲线图。

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仅用以解释本发明，并不用于限定本发明。

图1所示为本发明基于大规模MU-MIMO系统的信道估计方法的流程图，具体包括以下步骤：

步骤1设计生成正交导频信号S：

生成K×K的正交码矩阵作为正交导频信号S，则SS^Η＝KI_K，所述正交导频矩阵可以由扩频码生成，也可以由其它方式生成。在发射端发送正交导频信号S，则其在基站端的接收信号矩阵为Y(t)＝H(t)S+N(t)，其中表示系统的信道矩阵，即平坦衰落信道矩阵；表示噪声矩阵；K为用户数目，M为基站天线数目；I_K表示K阶单位矩阵；S^Η表示S的共轭转置。

步骤2消除用户间干扰：

步骤3估计因子载荷矩阵：

利用主成分法提取出公共因子的系数，即因子载荷矩阵。在I个不同的时刻，对进行采样，得到每个用户在基站端的接收信号样本矩阵k＝1,2,...,K，包括前I-1个时刻的接收信号Z_k(1),Z_k(2),...,Z_k(I-1)和当前时刻的接收信号Z_k(I)。

由于实部和虚部都具有相关性，主成分法只适用于实数，所以分别对Z_k的实部和虚部进行同样的处理，在本实施例中可以假设信号Z_k为实数，说明主成分法的操作：首先，分别估计每个用户的样本协方差矩阵Σ_k,k＝1,2,...,K并对其作特征值分解，得到其特征值λ_k1≥λ_k2≥...≥λ_kM≥0和对应的特征向量μ_k1,μ_k2,...,μ_kM；然后，估计公共因子个数Q，Q为满足的最小正整数，其中Q≤M，snr为信噪比；最后，估计每个用户的因子载荷矩阵k＝1,2,...,K。

步骤4估计公共因子：

根据每个用户信号的样本矩阵Z_k和因子载荷矩阵B_k，利用最小二乘法计算每个用户的公共因子f_k,k＝1,2,...,K，即第k个用户的公共因子为其中表示的伪逆，表示B_k的转置，表示当前时刻的接收信号Z_k(I)的转置。

步骤5实现信道估计：

接收信号中具有相关性的那部分为信道，利用因子载荷矩阵和公共因子可以得到每个用户信号中具有相关性的部分(信道)，从而去掉不具有相关性的部分(即噪声)，实现信道估计。即得到每个用户的信道估计值h_k＝B_kf_k，k＝1,2,...,K，进而得到整个信道的估计值H＝[h₁,h₂,...,h_K]。

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系统的信道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，基站天线数目为M＝128，多径数目为P＝5。生成正交导频作为发射信号。在本实施例中，正交导频由扩频码产生，

则其在基站端的接收信号矩阵为Y(t)＝H(t)S+N(t)，其中，表示系统的平坦衰落信道矩阵，表示噪声矩阵。

步骤2为避免不同用户间的干扰，本发明利用正交导频的正交性质，即SS^Η＝KI_K，在接收端将不同用户的信号分开，得到分开后的用户信号

步骤3在I＝10个不同的时刻采样，因此，可以得到每个用户在基站端的接收信号样本矩阵k＝1,2,...,K。分别对Z_k的实部和虚部进行同样的处理，可以假设信号Z_k为实数，说明主成分法的操作：对于第k个用户，首先，利用样本矩阵Z_k计算样本协方差矩阵Σ_k；其次，分别计算每个用户的样本协方差矩阵Σ_k,k＝1,2,...,K并做特征值分解，得到其特征值λ_k1≥λ_k2≥...≥λ_kM≥0和对应的特征向量μ_k1,μ_k2,...,μ_kM；然后，计算公共因子的个数Q，Q为满足的最小正整数，其中Q≤M，snr为信噪比；最后，计算因子载荷矩阵由此，可以得到每个用户的因子载荷矩阵。

步骤4根据每个用户在基站端的接收信号样本矩阵Z_k和因子载荷矩阵B_k，利用最小二乘法计算估计每个用户的公共因子由此，可以得到每个用户的公共因子。

步骤5根据每个用户的因子载荷矩阵B_k和公共因子f_k，利用接收信号中具有相关性的那部分为信道，去掉噪声，实现信道估计。对于第k个用户，可以得到其信道矩阵的估计值为h_k＝B_kf_k，从而得到整个信道矩阵的估计值：H＝[h₁,h₂,...,h_K]。

图3所示为本发明实施例及LS、MMSE方法实现信道估计的均方根误差与信噪比的关系曲线图。如图3所示，本发明方法的均方根误差比LS算法和MMSE算法的都要低，比LS方法低接近两个数量级，说明本发明方法的估计性能优于传统的LS算法和MMSE算法。

计算复杂度也是衡量一个信道估计算法性能的指标，现对本发明方法和LS、MMSE算法作对比分析。下表1所示为本发明方法、LS算法和MMSE算法的计算复杂度比较结果，仿真结果如图4所示。从表1和图4中可以看出，实施例中本发明方法的复杂度要低于MMSE算法的复杂度，跟LS算法的复杂度接近，用户数目较大时本发明算法优势明显。可见，本发明能在计算复杂度低于(或接近)传统的MMSE(或LS)算法的情况下，实现比MMSE(或LS)算法更准确的信道估计。

算法	计算复杂度
		本发明方法	O{MK2+(10P3+MP2+2MP)K+12MP2}
LS算法	O{12K3+MK2}
		MMSE算法	O{14K3+3MK2}

表1

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 (4)

1.一种大规模MU-MIMO系统的信道估计方法，其特征在于，所述方法包括：

(1)生成K×K的正交导频信号S，在发射端发送正交导频信号S，则其在基站端的接收信号矩阵为Y(t)＝H(t)S+N(t)，其中表示系统的信道矩阵，表示噪声矩阵；K为用户数目，M为基站天线数目；

(2)消除用户间的干扰，得到每个用户在基站端的接收信号

(3)在I个不同的时刻，对每个用户在基站端的接收信号进行采样，得到每个用户在基站端的接收信号样本矩阵k＝1,2,...,K；

(4)分别对Z_k的实部和虚部利用主成分法进行同样的处理，估计每个用户的因子载荷矩阵B_k，k＝1,2,...,K；

(5)根据每个用户在基站端的接收信号样本矩阵Z_k和每个用户的因子载荷矩阵B_k，估计每个用户的公共因子f_k，k＝1,2,...,K；

(6)去掉噪声，根据每个用户的因子载荷矩阵B_k和公共因子f_k，得到每个用户的信道估计值为k＝1,2,...,K，进而得到整个信道的估计值

所述步骤(4)具体包括：

(4-1)分别对Z_k的实部和虚部利用主成分法进行同样的处理，估计每个用户的样本协方差矩阵Σ_k,k＝1,2,...,K并对其做特征值分解，得到其特征值λ_k1≥λ_k2≥...≥λ_kM≥0和对应的特征向量μ_k1,μ_k2,...,μ_kM；

(4-2)估计公共因子个数Q后，进一步得到每个用户的因子载荷矩阵k＝1,2,...,K，其中Q≤M；

所述公共因子个数Q为满足的最小正整数，其中Q≤M，snr为信噪比；

所述步骤(5)中，所述每个用户的公共因子为其中表示的伪逆，表示B_k的转置，表示当前时刻的接收信号Z_k(I)的转置。

2.如权利要求1所述的方法，其特征在于，所述正交导频信号S可以由扩频码生成。

3.如权利要求1或2所述的方法，其特征在于，步骤(2)中，所述每个用户在基站端的接收信号Z(t)具体为其中S^H表示S的共轭转置。

4.如权利要求1或2所述的方法，其特征在于，步骤(3)中，每个用户在基站端的接收信号样本矩阵包括前I-1个时刻的接收信号Z_k(1),Z_k(2),...,Z_k(I-1)和当前时刻的接收信号Z_k(I)。