CN105681232A - 一种基于共享信道和压缩感知的大规模mimo信道估计方法 - Google Patents

Abstract

本发明公开了一种基于共享信道和压缩感知的MIMO信道估计方法，属于无线通信技术领域。本发明包括：步骤1：根据接收信号Z、导频Θ和信道矩阵在角度域的分解U_r和U_t计算测量矩阵Φ，感知测量值Y，其中Y＝Z^ΗU_r。步骤2：基于共享信道参数S_c、测量矩阵Φ和测量值Y，利用压缩感知方法计算步骤3：根据步骤2得到的利用关系式求解出信道矩阵估计值本发明的信道估计不需要稀疏度，且比传统子空间追踪算法具有更小的误差。

Description

一种基于共享信道和压缩感知的大规模MIMO信道估计方法

技术领域

本发明涉及无线通信技术领域，特别是涉及一种在大规模MIMO系统中利用共享信道信息和压缩感知的信道估计方法。

背景技术

MIMO技术指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量。

当MIMO两端天线数提高到无限大时，目标终端所接收到的信号将不包含热噪声和大范围衰落(这些都会被目标基站的多天线传过来的信号平均掉)，此时基站的容量取决于它服务的用户数量，而不是基站所覆盖的范围，唯一影响该系统性能将是由于导频复用带来的邻区干扰，即导频污染。

压缩感知，又称压缩采样，压缩传感。作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于Nyquist采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。压缩感知重构算法主要包括凸优化法和贪婪匹配追踪算法。

信道估计，就是从接收数据中将信道参数估计出来的过程。在实际环境中，由于有限的局部散射环境，用户能够接收到基站发射信号的角度个数是有限的，因而可以利用大规模MIMO信道在角度域的稀疏性，采用压缩感知理论进行信道估计。在慢速时变的环境中，由于时间相关性，当前时刻与前一时刻有着部分相同的空间信道，传统的压缩感知方法，如文献“Subspacepursuitforcompressivesensingsignalreconstruction”(W.DaiandO.Milenkovic,IEEETrans.Inf.Theory,vol.55,no.5,pp.2230–2249,2009.)中提出的子空间追踪算法并没有利用这些信息。文献“CompressiveSensingwithPriorSupportQualityInformationandApplicationtoMassiveMIMOChannelEstimationwithTemporalCorrelation”(RaoXiongbin，LauVincentK.N.Source:IEEETransactionsonSignalProcessing,v63,n18,p4914-4924,September15,2015)中利用共享信道这一先验信息和子空间追踪算法得到了比传统子空间追踪算法更准确的信道估计结果，但是该改进算法需要提前给定稀疏度，在实际环境中难以获取。

发明内容

本发明充分利用在慢速时变环境下，当前时刻与前一时刻有着部分相同空间信道即共享信道这一信息，采用压缩感知的方法，缩小索引集的搜索范围，获取更准确的信道估计结果。解决了稀疏度未知情况下利用已知共享信道信息进行自适应搜索的问题，在稀疏度获取困难且不断变化的情况下更具实用价值。

在基站端与移动端均为均匀线阵的大规模MIMO系统中，信道矩阵在角度域可以表示为：其中H_a∈C^N×M，U_r∈C^N×N，U_t∈C^M×M，U_r、U_t均为酉矩阵，其中M对应基站端的天线数、N对应移动端的天线数。本说明书中用C^m×n表示m×n矩阵的通式，上标“H”表示共轭转置。

角度域信道矩阵H_a中非零元素为独立同分布的复高斯变量，均值为0，方差为1，非零元素(p,q)表示从基站第q个发送方向到移动端第p个接收方向的一条空间路径。由于基站端有限的局部散射环境，到达移动端的发送方向q的个数是有限的，角度域信道呈现出稀疏性，即H_a中非零列向量是稀疏的；此外，与移动端天线数目相比，移动端具有相对丰富的局部散射路径数时，移动端的p个接收方向都有接收信号，即H_a列向量中的元素同时为零或同时非零，因此本发明采用多测量向量压缩感知方法求解H_a，从而基于实现信道估计。

本发明的基于共享信道和压缩感知的大规模MIMO信道估计方法，用于基站端和移动端均为均匀线阵的MIMO系统中，包括以下步骤：

步骤1：根据移动端接收信号Z、导频Θ和信道矩阵在角度域所对应的酉矩阵U_r、U_t，分别计算压缩感知模型中对应的测量矩阵Φ、感知测量值Y。

所述移动端接收信号为：其中导频Θ∈C^M×T且tr(ΘΘ^Η)＝T，T为每根发射天线的导频长度，tr(·)表示矩阵的迹；W为噪声，W∈C^N×T且W中元素为独立同分布的复高斯变量，均值为0，方差为1；P为基站发射天线的信噪比。

本发明所采用的压缩感知模型为该模型中，Φ表示测量矩阵，Y表示感知测量值、N′表示噪声，X表示稀疏信号。基于该模型，根据接收信号Z、导频Θ、酉矩阵U_r、U_t可计算得到测量矩阵为Φ，感知测量值为Y。

步骤2：根据步骤1中的压缩感知模型和共享信道参数S_c用压缩感知的方法求解稀疏信号估计值

共享信道参数S_c为当前时刻与前一时刻索引集中相同索引的数目，即当前时刻与前一时刻相同发射方向的个数，S_c为系统参数可直接获取。索引集X[1]、X[2]…X[M]∈C^1×N，稀疏信号X＝[X[1]^Τ,…,X[M]^Τ]^Τ，上标“T”表示矩阵转置，即索引集Γ为稀疏信号X中非零行向量、H_a中非零列向量索引的集合。当前时刻索引集为Γ_n，前一时刻索引集为Γ_n-1，且｜Γ_n-1∩Γ_n｜＝S_c，S_u＝｜Γ_n｜，｜Γ_n｜表示Γ_n中索引的个数，S_u为稀疏信号X的稀疏度，其中Γ_n-1为系统参数可直接获取。

所述压缩感知的方法为：初始化迭代次数d＝0，索引集Γ＝φ，残差R＝Y，步长σ＝0后迭代执行步骤(a)-(f)：

(a)合并索引集Γ、Γ_x、Γ_y，得到索引集Γ_a，即Γ_a＝Γ∪Γ_x∪Γ_y。

表示由索引集Γ_b中索引确定的Φ^ΗR中对应行向量组成的矩阵，符号“‖‖₂”表示2范数，上标“[·]”表示取对应行向量，下标“[·]”表示取对应列向量。

其中{1,2,…,M}\Γ_x表示集合{1,2,…,M}减去集合Γ_x后得到的集合，即符号“\”表示两个集合相减，下同。

(b)最小二乘估计：根据公式计算参数G，其中表示由索引集Γ_a中索引确定的Φ中对应列向量组成的矩阵，表示关于的伪逆。

(c)根据公式 ${\mathrm{\Γ}}_{d+1}=\left\{\underset{\left|{\mathrm{\Γ}}_b\right|=S_c,{\mathrm{\Γ}}_b\⊆{\mathrm{\Γ}}_{n-1}}{\arg \max }\right|\left|G^{\[{\mathrm{\Γ}}_b\]}\right|{|}_2\}\∪\{\underset{\left|{\mathrm{\Γ}}_c\right|=\mathrm{\σ},{\mathrm{\Γ}}_c\⊆\{1,2,\mathrm{...},M\}\backslash {\mathrm{\Γ}}_b}{\arg \max }\left|\right|G^{\[{\mathrm{\Γ}}_c\]}\left|{|}_2\right\}$ 计算索引集Γ_d+1，其中表示由索引集Γ_b中索引确定的G中对应行向量组成的矩阵，表示由索引集Γ_c中索引确定的G中对应行向量组成的矩阵。

(d)根据公式且 ${\hat{X}}_{d+1}^{\[\{1,2,\mathrm{...},M\}\backslash {\mathrm{\Γ}}_{d+1}\]}=0$ 求解稀疏信号估计值

(e)根据公式 $R_{d+1}=Y-{\mathrm{\Φ}}_{\[{\mathrm{\Γ}}_{d+1}\]}{\hat{X}}_{d+1}^{\[{\mathrm{\Γ}}_{d+1}\]}$ 计算残差R_d+1。

(f)迭代停止条件：

f1：如果则迭代停止，令并输出，否则判断f2。

f2：如果则更新步长σ＝σ+Δ，进入(a)进行新的循环，其中Δ为预设步长增量，基于实际工作系统进行设置，通常的取值为1～5，优选为2；否则更新索引集Γ＝Γ_d+1，残差R＝R_d+1，迭代次数d＝d+1，进入(a)进行新的循环，直到迭代停止得到

步骤3：根据利用步骤2得到的令则可求解得到H_a，基于则可求解出信道矩阵估计值即

综上所述，由于采用了上述技术方案，本发明的有益效果是：不需要给出稀疏度，同时也充分利用共享信道信息，比传统子空间追踪算法具有更小的误差。适用于大规模MIMO系统，能够有效减少导频数量。

附图说明

图1是本发明实施例和对比例在不同S_c下的归一化均方误差示意图

图2是本发明实施例和对比例在不同信噪比下的归一化均方误差示意图

图3是本发明实施例和对比例在不同导频长度下的归一化均方误差示意图

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，下面结合实施方式和附图，对本发明作进一步地详细描述。

将本发明的信道估计方法用于基站端和移动端均为均匀线阵的MIMO系统中，基站端的天线数为M，移动端的天线数为N，且N小于M(N的具体取值取决于所应用场景，只要保证所划分的每个角度范围内都有接收信号即可)本具体实施方式中，以M＝200，N＝2为例进行描述。

设接收信号其中导频Θ由200个长度T＝53的(1,-1)导频序列构成，信噪比P＝15dB，噪声W中元素为随机产生的独立同分布的复高斯变量，均值为0，方差为1。

道矩阵则可得到信道矩阵在角度域的分解U_r＝[e_r(0)e_r(1)]和U_t＝[e_t(0)e_t(1)…e_t(199)]，其中参数j表示虚数单位， $e_t\left(\mathrm{\Ω}\right)=\sqrt{1/200}{\left(\begin{array}{cccc}1& \exp \left(\frac{-j\mathrm{\π}\mathrm{\Ω}}{100}\right)& \mathrm{...}& \exp \left(\frac{-j199\mathrm{\π}\mathrm{\Ω}}{100}\right)\end{array}\right)}^T,\mathrm{\Ω}=0,0,\mathrm{...},199,$ 上标“T”表示矩阵转置。角度域信道矩阵H_a中非零元素为随机产生的独立同分布复高斯变量，均值为0，方差为1，稀疏度S_u为18；S_c＝(2,4,…,12,14)。在不同的共享信道参数S_c下分别采用如下步骤进行信道估计，即考察在同一稀疏度下，不同S_c对信道估计的影响。

步骤1：根据接收信号Z、导频Θ和信道矩阵在角度域的分解U_r和U_t计算测量矩阵Φ，感知测量值Y，其中 $\mathrm{\Φ}=\sqrt{\frac{M}{T}}{\left({U_t}^H\mathrm{\Θ}\right)}^H,Y=Z^H{U}_r.$

步骤2：基于共享信道参数S_c、测量矩阵Φ和测量值Y，利用压缩感知方法计算

步骤3：根据步骤2得到的利用关系式求解出信道矩阵估计值

为了评估本发明的性能，计算次数n为1000，根据步骤3所得计算不同S_c下的归一化均方误差，结果如图1所示。

为了进一步验证本发明的性能，在S_u＝18，S_c＝10，导频长度T＝53情况下，计算不同信噪比下信道估计的归一化均方误差，计算次数n为1000，结果如图2所示。

同时，在S_u＝18，S_c＝10，信噪比P＝15dB情况下，计算不同导频长度下的归一化均方误差，计算次数n为1000，结果如图3所示。

其中归一化均方误差计算公式为

对比例1为在文献“Subspacepursuitforcompressivesensingsignalreconstruction”基础上改进的，未利用共享信道信息且需要知道稀疏度的子空间追踪算法(MMV-SP)。

对比例2为文献“CompressiveSensingwithPriorSupportQualityInformationandApplicationtoMassiveMIMOChannelEstimationwithTemporalCorrelation”中利用共享信道信息但需要已知稀疏度的MSP算法。

由图1可知，本发明实施例和对比例2利用了共享信道信息，相对于对比例1信道估计误差更小，且可利用的共享信道信息S_c越大，信道估计结果越准确。本发明实施例相对于对比例2在未知稀疏度的情况下自适应搜索，相同条件下信道估计结果误差更小。S_c＝2时，本实施例相对于对比例2性能好3dB，相对于对比例1性能好3.3dB。

由图2可知，在信噪比为0至25dB范围内，相同条件下，本发明实施例相对于对比例1、对比例2信道估计结果误差更小。信噪比为18.75dB时，本实施例相对于对比例2性能好1.7dB，相对于对比例1性能好5.4dB。

由图3可知，相同导频长度下，本发明实施例相对于对比例1、对比例2信道估计结果误差更小。导频长度为52时，本实施例相对于对比例2性能好1.2dB，相对于对比例1性能好4.5dB。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (2)

1.一种基于共享信道和压缩感知的大规模MIMO信道估计方法，用于基站端和移动端均为均匀线阵的MIMO系统中，其特征在于，包括下列步骤：

步骤1：获取信道矩阵在角度域分解U_r、U_t，其中U_r为N×N酉矩阵，U_t为M×M酉矩阵，M表示、N表示移动端的接收天线数；获取移动端获取接收信号Z、导频Θ，根据公式Y＝Z^ΗU_r计算测量矩阵Φ、感知测量值Y，其中T为基站端每根发射天线的导频长度；

步骤2：基于MIMO系统的共享信道参数S_c，基于测量矩阵Φ、感知测量值Y迭代求解稀疏信号估计值

201：初始化迭代次数d＝0，索引集Γ＝φ，残差R＝Y，步长σ＝0；

202：取索引集Γ_a＝Γ∪Γ_x∪Γ_y，其中其中Γ_n-1表示前一时刻索引集，|Γ_b|表示索引集Γ_b的个数，符号“||||₂”表示2范数，上标“[·]”表示取对应行向量，即表示由索引集Γ_b中索引确定的Φ^ΗR中对应行向量组成的矩阵；|Γ_c|表示索引集Γ_c的个数，符号“\”表示两个集合相减；

203：根据公式且计算参数G，其中下标“[·]”表示取对应列向量，即表示由索引集Γ_a中索引确定的Φ中对应列向量组成的矩阵，上标表示伪逆，即表示关于的伪逆；

204：根据公式 ${\mathrm{\Γ}}_{d+1}=\left\{\underset{\left|{\mathrm{\Γ}}_b\right|=S_c,{\mathrm{\Γ}}_b\⊆{\mathrm{\Γ}}_{n-1}}{\arg \max }\right|\left|G^{\[{\mathrm{\Γ}}_b\]}\right|{|}_2\}\∪\{\underset{\left|{\mathrm{\Γ}}_c\right|=\mathrm{\σ},{\mathrm{\Γ}}_c\⊆\{1,2,...,M\}\backslash {\mathrm{\Γ}}_b}{\arg max}\left|\right|G^{\[{\mathrm{\Γ}}_c\]}\left|{|}_2\right\}$ 计算索引集Γ_d+1；

205：根据公式计算且计算稀疏信号估计值

206：根据公式计算残差R_d+1；若则执行步骤208；否则执行步骤207；

207：若||R_d+1||₂＞||R||₂，则更新步长σ＝σ+Δ，再执行步骤202，其中Δ为预设步长增量；否则更新索引集Γ＝Γ_d+1，残差R＝R_d+1，迭代次数d＝d+1，再执行步骤202；

208：令稀疏信号估计值并输出；

步骤3：根据公式得到信道矩阵估计值

2.如权利要求1所述的方法，其特征在于，步骤207中，预设步长增量Δ的取值为2。