CN106506415B - 一种多用户mimo-ofdm系统信道估计的方法 - Google Patents

Abstract

本发明涉及一种多用户MIMO‑OFDM系统信道估计的方法，包括以下步骤S1：获得每个用户余差和测量矩阵的前S_k个最大相关值的索引；S2：利找出所有用户共同的索引值确定为共同稀疏支撑集Ω_c，计算初始信道矩阵估计，并重新更新用户余差；S3：每个用户再次计算其余差和测量矩阵的相关性，结合改进的LMMSE算法计算各个用户的信道估计值；S4：判定用户余差值是否小于预设值或者上述S3步骤是否进行了(S_k‑S_C)次，其中S_C为共同稀疏支撑集的个数；如果未达到条件则返回S3重复以上步骤，直至满足迭代终止条件，并最终得到信道状态信息矩阵的估计值。本发明不仅考虑了无线多径信道的稀疏特性，另外还考虑了多个用户信道矩阵之间的关联性，因此具有共同稀疏支撑集的特点。

Description

一种多用户MIMO-OFDM系统信道估计的方法

技术领域

本发明涉及多用户MIMO-OFDM无线通信方法，特别涉及一种基于压缩感知理论和线性信道估计算法的多用户MIMO-OFDM系统信道估计方法。

背景技术

MIMO技术利用多组天线实现多发多收，可以充分利用空间资源，在不需要增加频谱资源和天线发送功率的情况下利用空间复用增益可以成倍增加信道容量。但是对于当前无线通信宽带通信，由于信道在频域产生频率选择性衰落，其产生的符号间干扰(ISI)极大影响了MIMO系统的性能。为了消除符号间干扰，可以采用空时均衡MIMO系统方案和正交频分复用(OFDM)调制MIMO系统技术。由于均衡器复杂度高所以更为直接的是采用OFDM调制方式，将频率选择性信道转换为多个平坦衰落的窄带信道，从而可以利用多天线系统在窄带通信的传输来增强系统的性能，提高频谱利用率。

将MIMO和OFDM有效结合起来可以大大提高无线衰落信道下通信链路的传输速率和可靠性，因此目前多用户MIMO-OFDM技术在无线频谱资源稀缺的通信环境下有很广泛地应用。在实际通信中，为了克服多用户MIMO-OFDM系统的信道衰落和干扰的问题，接收端需要得到精确的信道状态信息(CSI)，因而对信道的精确估计是保证系统优良性能的关键技术。

压缩感知(Compressive Sensing，CS)理论允许从非常有限的采样中有效地重建信号，若所要恢复的信号在某些变换域中可以被稀疏表示，则可以使用远小于奈奎斯特采样速率的速率对该信号进行随机采样，然后通过非线性的算法实现完全信号的重构。由于实际的无线宽带多径信道呈现稀疏性，即信道冲激响应的大部分能量集中于相对少量的抽头上，并且在一定时间内这些非零抽头的位置保持不变。因此可以将压缩感知理论应用于信道估计中，以实现在获得较高信道估计性能。

目前许多多用户MIMO-OFDM系统模型虽然考虑了无线多径传输信道的稀疏特性，但未考虑不同用户的信道矩阵存在共同稀疏支撑集的特点以及在一定时间内每个用户其信道冲击响应(CIR)向量的稀疏支撑集变化很慢的问题，即信道的时间相关性。另外传统的基于导频的信道估计算法例如最小二乘法(Least Square,LS)算法和最小均方误差(Minimum Mean Square Error,MMSE)算法虽然估算精较低，但其结构简单，算法复杂度低，因此需要有新型的重构算法来实现在获得较高信道估计性能的同时大量减少导频开销和复杂度，提高系统传输效率。

发明内容

有鉴于此，本发明的目的在于提供一种多用户MIMO-OFDM系统信道估计的方法。

本发明的目的是通过以下技术方案来实现的，一种多用户MIMO-OFDM系统信道估计的方法，包括以下步骤：S1：利用正交匹配追踪算法，获得每个用户余差和测量矩阵的前S_k个最大相关值的索引；S2：利用步骤S1中得到的K组索引序列，找出所有用户共同的索引值确定为共同稀疏支撑集Ω_c，并利用改进的线性最小均方误差算法进行初始信道矩阵估计，并重新更新用户余差；S3：利用步骤S2中各个用户更新的余差，每个用户再次计算其余差和信道测量矩阵Ψ的相关性得到用户客自的单独稀疏支撑集Ω_k；再结合改进的LMMSE算法计算各个用户的信道估计值；S4：判定用户余差值是否小于预设值或者所述S3步骤是否进行了S_k-S_C次，其中S_C为共同稀疏支撑集的个数；如果未达到条件则返回S3重复以上步骤，直至满足迭代终止条件，并最终得到信道状态信息矩阵的估计值。

进一步，所述步骤S1具体包括以下子步骤：

S11将每个用户的信道冲击响应向量重新排列为块稀疏向量，并记为信道时域矩阵；将基于导频向量傅里叶变换的感知矩阵记为信道测量矩阵；从而将总共K个用户中的第k个用户接收到的频域导频信号表示为：

Y_k＝ΨH_k+N_k，k＝1，2，...，K···············(3)

其中，Y_k表示第k用户接收到的频域导频信号，Ψ为信道测量矩阵，H_k为第k用户的时域矩阵，N_k为第k用户的噪声矩阵；

S12定义用户初始的余差值为每个用户接收到的频域导频信号Y_k，定义每个用户对应的测量矩阵为原信道测量矩阵Ψ的块对角化变换，记为Ψ_i(i＝1，2，...N_CIR)，其中N_CIR为时域信道冲激响应的长度；计算每个用户的余差和相应信道测量矩阵转置的相关性，即argmax_1≤i≤N_CIR||Ψ_i ^TY_k||，求出N_CIR个相关值中前S_k个最大相关值的索引序列。

进一步，所述步骤S2具体为：

S21利用步骤S1中获取的K组索引值序列，将每一组序列表示为Ω_k，k＝1，2，...，K，用指示函数计算K组索引值序列各个索引出现的次数，其中j∈{1，2，...，K}，指示函数是定义在集合{1，2，...K}上的函数，表示其中有哪些元素属于Ω_k，具体表示为：

之后计算K组索引值序列中出现次数最多的索引值并将该索引值并入估计的共同稀疏支撑集中

S22将步骤S21进行S_C次计算后得到共同稀疏支撑集Ω_c，利用该共同稀疏支撑集计算LMMSE因子w_k＝E[H_kY_k ^H]E^-1[Y_kY_k ^H]，其中E[H_kY_k ^H]表示第k个用户的信道矩阵和接收信号的转置之间的互关联函数值，E^-1[Y_kY_k ^H]表示第k个用户的接收信号和其转置之间的互关联函数值的逆，之后将LMMSE因子代入H_k＝w_kY_k进行LMMSE算法进行信道估计，得到初步的信道状态矩阵估计值和更新后的余差。

进一步，所述步骤S3具体包括以下子步骤：

S31利用步骤S2中获取的共同稀疏支撑集Ω_c，定义每个用户单独稀疏支撑集初始值为Ω_k＝Ω_c，并利用S2中最后更新的余差与每个用户信道测量矩阵Ψ_i再次进行相关性计算，得出索引最大值i_max，并将其并入Ω_k；

S32计算LMMSE因子w_k＝E[H_kY_k ^H]E^-1[Y_kY_k ^H]，将其代入H_k＝w_kY_k，得到每个用户估计的信道冲击响应矩降

由于采用以上技术方案，本发明具有以下优点：

1、本发明不仅考虑了无线多径信道的稀疏特性，另外还考虑了多个用户信道矩阵之间的关联性，因此具有共同稀疏支撑集的特点。利用该特点可以更好地进行信道状态信息的估计。

2、传统基于压缩感知的信道估计算法在多用户模型下进行重复估计运算，所耗费的导频开销和复杂度都比较大。本发明利用基于压缩感知的OMP算法先得到共同稀疏支撑集，通过改进的LMMSE算法估计所有用户该共同支撑集部分的信道矩阵；再继续利用OMP算法进行各个用户其余的单独支撑集，并通过改进的LMMSE算法估计该单独支撑集部分的信道状态矩阵，这样每个用户不用重复计算那部分共同的稀疏支撑集，节省了多用户系统模型下的信道估计开销，使得在低导频开销下也可以得到接近理想值的准确信道估计结果。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明所需的多用户MIMO-OFDM系统模型框架；

图2为本发明信道状态信息估计的流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明考虑多用户MIMO-OFDM系统，图1为多用户信道矩阵具有联合稀疏结构特点的系统框架图。其中，由于基站散射较少，用户周围散射体相对较多，因此同一用户的信道矩阵的行相互关联，用户的各个接收天线有相同的稀疏特性，具体表现为图1中H₁和H₂其各自每一行都具有相同的稀疏支撑集；另外当用户间距离较小时，基站发射的信号可能通过相同的散射体到达不同用户，因此这一部分不同用户间信道矩阵相互关联，并且他们可能具有一部分共同的稀疏特性，具体表现为H₁和H₂有一部分共同稀疏支撑集Ω_c。

其中，为了估计信道状态信息，基站发送的信号要包含一定数量的导频，本发明在此考虑导频随机分布的情况以满足压缩感知理论中对测量矩阵的要求。基站生成一定的导频符号在频域与数据符号相乘，之后进行傅里叶反变换(IDFT)，最后加上循环前缀作为发射信号发送给各个用户；用户端接收到的信号在去掉循环前缀后进行傅里叶变换(DFT)，进而得到频域导频信号。由于无线多径信道具有稀疏特性，即信道冲击响应(CIR)向量的能量只集中在数量很小的一部分抽头之上。本发明考虑每一对天线信道有L个相邻的包含导频的OFDM符号，并且在一定时间内CIR的非零元素位置不变，那么第k个用户接收到的导频信号可以表示为：

其中，N_CIR为时域信道冲激响应的长度，N_P为导频子载波的数量；是原信道测量矩阵Ψ的块对角化变换；为第k个用户信道时域CIR向量的整合形式，为高斯白噪声信号。其中L是该特定时间内包含导频的OFDM个数。

若考虑多个用户，则信道模型可以表示为：

其中，为第k个用户堆叠形式的CIR向量，并且不同用户具有一部分共同稀疏支撑集Ω_c和各自的单独稀疏支撑集Ω_k，为第k个用户堆叠形式的噪声向量。

图2为本发明具体信道估计过程的流程图，如图所示，本发明的基于压缩感知的多用户MIMO-OFDM系统信道估计方法包括如下步骤：

步骤一：利用正交匹配追踪算法，获得每个用户余差和测量矩阵的前S_k个最大相关值的索引。

为了便于理解，将信道模型(2)表示为单个用户的形式：

Y_k＝ΨH_k+N_k (3)

Y_k表示第k个用户接收到的频域导频信号，Ψ为信道测量矩阵，H_k为第k个用户的时域矩阵，N_k为第k个用户的噪声矩阵。

定义S_C＝|Ω_c|为共同稀疏支撑集的个数，S_k＝|Ω_k|，k＝1，2，...K为每个用户各自的稀疏支撑集个数，计算每个用户的余差和相应测量矩阵的相关性求出每个用户N_CIR中前S_k个最大相关值的索引序列Ω_k′，得到K组索引值序列。

步骤二：利用步骤S1中得到的K组索引序列，找出所有用户共同的索引值确定为共同稀疏支撑集Ω_c，并利用改进的线性最小均方误差算法进行初始信道矩阵估计，并重新更新用户余差。

根据步骤一中获取的K组索引值序列，将每一组序列表示为Ω_k，k＝1，2，...，K，用指示函数计算K组索引值序列各个索引出现的次数，其中j∈{1，2，...，K}，指示函数是定义在集合{1，2，...K}上的函数，表示其中有哪些元素属于Ω_k，具体表示为：

之后计算K组索引值序列中出现次数最多的索引值并将该索引值并入估计的共同稀疏支撑集中

利用指示函数可以统计K组索引值序列中出现次数最多的索引，可以作为共同稀疏支撑集的索引。将上述该步骤重复进行S_C次后可以得到共同稀疏支撑集Ω_c，然后利用改进的LMMSE算法进行信道估计，得到初步的信道状态矩阵估计值和更新后的余差。其中，改进的LMMSE算法(改进的线性最小均方误差算法)过程为：

首先利用共同稀疏支撑集计算LMMSE因子w_k＝E[H_kY_k ^H]E^-1[Y_kY_k ^H]，其中E[H_kY_k ^H]和E^-1[Y_kY_k ^H]是互关联函数，可以利用共同稀疏支撑集Ω_c来简化其运算，其中E[H_kY_k ^H]表示第k个用户的信道矩阵和接收信号的转置之间的互关联函数值，E^-1[Y_kY_k ^H]表示第k个用户的接收信号和其转置之间的互关联函数值的逆，

其中，为时域CIR的能量，J_L×L是L×L的时域关联矩阵，它的第(m，n)项的表达式为J₀(2πf_dT_s(m-n))。将上述计算得到的w_k代入H_k＝w_kY_k中，可以得到每个用户估计的初始信道冲击响应矩阵并更新每个用户的余差：

步骤三：利用步骤S2中各个用户更新的余差，每个用户再次计算其余差和信道测量矩阵Ψ的相关性，将得到的最大相关值索引并入该用户单独的稀疏支撑集Ω_k；再结合改进的LMMSE算法计算各个用户的信道估计值。

首先定义每个用户单独稀疏支撑集初始值为Ω_k＝Ω_c，利用步骤二中最后更新的余差与每个用户测量矩阵Ψ_i再次进行相关性计算Ω_k ^e＝arg max ||Ψ_i ^TY_k||，得出索引最大值i_max，并将其并入单独稀疏支撑集Ω_k。

步骤四：判定用户余差值是否小于预设值或者所述S3步骤是否进行了(S_k-S_C)次，其中S_C为共同稀疏支撑集的个数；如果未达到条件则返回S3重复以上步骤，直至满足迭代终止条件，并最终得到信道状态信息矩阵的估计值。

首先计算LMMSE因子w_k＝E[H_kY_k ^H]E^-1[Y_kY_k ^H]：

将上述计算得到的w_k代入H_k＝w_kY_k中，可以得到每个用户估计的信道冲击响应矩阵为了重新迭代，需要继续更新每个用户的余差：

判定余差的弗罗宾尼斯范数是否小于预设值或者上述步骤三是否进行了S_k-S_C次，如果未达到条件则返回步骤三重复进行计算，直至满足迭代终止条件。迭代停止后，可以得到最终的各个用户信道冲击响应矩阵

在本发明中，所述的共同稀疏支撑的获取利用了贪婪算法OMP，选出所有用户中共同稀疏支撑集Ω_c，所述改进的LMMSE算法在计算LMMSE因子时，利用共同稀疏支撑集Ω_c可以仅计算一部分互关联函数，索引不在共同稀疏支撑集Ω_c中的项其对应互关联函数乘积为零；

所述改进的LMMSE算法在计算LMMSE因子时，利用单独稀疏支撑集Ω_k可以仅计算一部分互关联函数，索引不在单独稀疏支撑集Ω_k中的项其对应互关联函数乘积为零。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (3)

1.一种多用户MIMO-OFDM系统信道估计的方法，其特征在于：包括以下步骤：

S1：利用正交匹配追踪算法，获得每个用户余差和测量矩阵的前S_k个最大相关值的索引，即K组索引序列；S_k为每个用户各自的稀疏支撑集个数；

所述步骤S1具体包括以下子步骤：

S11将每个用户的信道冲击响应向量重新排列为块稀疏向量，并记为信道时域矩阵；将基于导频向量傅里叶变换的感知矩阵记为信道测量矩阵；从而将总共K个用户中的第k个用户接收到的频域导频信号表示为：

Y_k＝ΨH_k+N_k,k＝1,2,…,K (3)

其中，Y_k表示第k用户接收到的频域导频信号，Ψ为信道测量矩阵，H_k为第k用户的时域矩阵，N_k为第k用户的噪声矩阵；

S12定义用户初始的余差值为每个用户接收到的频域导频信号Y_k，定义每个用户对应的测量矩阵为原信道测量矩阵Ψ的块对角化变换，记为ψ_i，i＝1,2,…,N_CIR，其中N_CIR为时域信道冲激响应的长度；计算每个用户的余差和相应信道测量矩阵转置的相关性，即求出N_CIR个相关值中前S_k个最大相关值的索引序列；

S2：利用步骤S1中得到的K组索引序列，找出所有用户共同的索引值确定为共同稀疏支撑集Ω_c，并利用改进的线性最小均方误差算法进行初始信道矩阵估计，并重新更新用户余差；

S3：利用步骤S2中各个用户更新的余差，每个用户再次计算其余差和信道测量矩阵Ψ的相关性得到用户各自的单独稀疏支撑集Ω_k；再结合改进的LMMSE算法计算各个用户的信道估计值；

S4：判定用户余差值是否小于预设值或者所述S3步骤是否进行了S_k-S_C次，其中S_C为共同稀疏支撑集的个数；如果未达到条件则返回S3重复以上步骤，直至满足迭代终止条件，并最终得到信道状态信息矩阵的估计值。

2.根据权利要求1所述的一种多用户MIMO-OFDM系统信道估计的方法，其特征在于：所述步骤S2具体为：

S21利用步骤S1中获取的K组索引值序列，将每一组序列表示为Ω_k,k＝1,2,…,K，用指示函数计算K组索引值序列各个索引出现的次数，其中j∈{1,2,…,K}，指示函数是定义在集合{1,2,…K}上的函数，表示其中有哪些元素属于Ω_k，具体表示为：

之后计算K组索引值序列中出现次数最多的索引值并将该索引值并入估计的共同稀疏支撑集Ω_c，

S22将步骤S21进行S_C次计算后得到共同稀疏支撑集Ω_c，利用该共同稀疏支撑集计算LMMSE因子w_k＝E[H_kY_k ^H]E^-1[Y_kY_k ^H]，其中E[H_kY_k ^H]表示第k个用户的信道矩阵和接收信号的转置之间的互关联函数值，E^-1[Y_kY_k ^H]表示第k个用户的接收信号和其转置之间的互关联函数值的逆，之后将LMMSE因子代入H_k＝w_kY_k进行LMMSE算法进行信道估计，得到初步的信道状态矩阵估计值和更新后的余差。

3.根据权利要求2所述的一种多用户MIMO-OFDM系统信道估计的方法，其特征在于：所述步骤S3具体包括以下子步骤：

S31利用步骤S2中获取的共同稀疏支撑集Ω_c，定义每个用户单独稀疏支撑集初始值为Ω_k＝Ω_c，并利用S2中最后更新的余差与每个用户信道测量矩阵Ψ_i再次进行相关性计算，得出索引最大值i_max，并将其并入Ω_k；

S32计算LMMSE因子w_k＝E[H_kY_k ^H]E^-1[Y_kY_k ^H],将其代入H_k＝w_kY_k，得到每个用户估计的信道冲击响应矩阵