CN106789770A - 基于压缩感知的大规模mimo非正交多用户接入方法 - Google Patents

Abstract

本发明属于无线通信技术领域，尤其涉及在大规模多入多出(MIMO)系统下，对于散发性的通信随机的接入信道的一种信道估计，用户检测，数据检测联合完成的方法。本发明提供一种在5G通信技术下，提高机器到机器通信的用户容量，同时减少通信过程中的冗余开支，具有强鲁棒性的基于压缩感知的大规模MIMO非正交多用户接入方法。本发明通过使用压缩感知技术，使用非正交的导频对当前活跃用户数量进行检测，再基于用户检测结果，确定当前使用的导频数据，从而完成信道估计及数据检测。

Description

基于压缩感知的大规模MIMO非正交多用户接入方法

技术领域

本发明属于无线通信技术领域，尤其涉及在大规模多入多出(MIMO)系统下，对于散发性的通信随机的接入信道的一种信道估计，用户检测，数据检测联合完成的方法。

背景技术

在散发性无线通信情景中，大量的用户活跃度低，并且随机的接入到信道中，若仍然采用传统的握手通信过程显得非常繁琐。随着第五代移动通信(5G)技术的发展，机器到机器通信用户量急速增长，如何提升信道容量成为关键问题，已有研究表明，在基站使用大规模MIMO天线会使得一个小区的机器到机器通信容量提升百分之四十。

目前已经有很多基于压缩感知的信道估计和用户检测算法。在用户检测中，大多数算法都把用户检测模型建模为SMV问题，再使用正交匹配追踪、基追踪等算法来对当前的活跃用户量进行估计。这类算法大多基于信号状态完全已知的情况，并不符合实际应用中的情况，其次，由于SMV在低信噪比中抗干扰能力较弱，在噪声较大的情况往往不能取得良好的检测效果。本发明基于5G通信大规模MIMO的情况，利用接收信号的协方差矩阵信息，将检测问题构造成强鲁棒性的MMV问题，给出了一种基于非正交导频多用户接入的信道估计、用户检测、数据检测在同一个时隙完成的联合检测算法。

发明内容

本发明的目的在于提供一种在5G通信技术下，提高机器到机器通信的用户容量，同时减少通信过程中的冗余开支，具有强鲁棒性的基于压缩感知的大规模MIMO非正交多用户接入方法。本发明通过使用压缩感知技术，使用非正交的导频对当前活跃用户数量进行检测，再基于用户检测结果，确定当前使用的导频数据，从而完成信道估计及数据检测。

为了方便描述，首先对本发明采用的模型进行介绍。

在大规模MIMO的基站，接收到的信号表示为：Y＝HX+W，其中，信道 为发送的信号矩阵，是零均值高斯噪声，其元素为独立同分布满足L是用户导频长度，K为总的用户数量，M为天线数。

在用户检测中，发送信号矩阵X为导频字典S∈R^L×K，所述S是所有用户的导频序列集合，基站只已知导频字典，但是并不知道具体哪个用户使用哪一个导频。将接收到的信号其转置形式可以表示为：Y^H＝SH^H+W^H，其中，H^H＝[h₁,h₂,...,h_M]是一个K×M的矩阵，H^H的第m列是一个稀疏矩阵，可以表示为：代表活跃用户索引值的集合，D为总的活跃用户数，即稀疏度。

一种基于压缩感知的大规模MIMO非正交多用户接入方法，具体步骤如下：

S1、进行用户检测，具体为：通过LASSO方法，求解问题其中，S为导频字典；

S2、根据S1求解的结果进行信道估计，具体为：找到活跃用户索引值的集合S₀，所述集合S₀包含了K_a个活跃用户节点，||S₀||₀＝K_a，确定与所述集合S₀对应的所使用的大小为L×K_a导频字典基站接收到的导频信号可以表示为：通过最小二乘法，可以求解得出

S3、根据S2估计得到的信道进行数据检测：基站接收到的数据可以表示为：其中D∈R^K×N为用户发送的数据所组成的矩阵，N为用户发送数据长度，为了简化系统的设计，用最小二乘法进行求解

本发明的有益效果是：

在用户量激增的通信情况下，并不需要使用正交导频来增加冗余开销，也不需要繁琐的握手通信过程，并且由于该算法利用了二阶统计信息，即使在噪声较大的情况下，仍然保持着良好的检测性能。本发明具有更强的实际操作性。

附图说明

图1活跃用户正确检测率与活跃用户数的关系。

图2为活跃用户正确检测率与信噪比的关系。

图3为活跃用户正确检测率与基站天线数量的关系。

图4为误码率与信噪比的关系。

图5为误码率与活跃用户数的关系。

图6为信道估计的均方误差与活跃用户数、信噪比的关系。。

具体实施方式

下面将结合实施例和附图，利用基于压缩感知的MMV相关算法同本发明方法的算法性能对比分析，以进一步验证本发明的性能。

该模型是一个MMV问题，在本发明中，用户检测作为检测的第一步也是最重要的一步，为了提高检测性能，利用导频的协方差矩阵，将第m列接收信号表示为：接收信号的协方差矩阵：将协方差矩阵表示为Φ_yy，则可将接收信号的协方差矩阵进一步表示为：其中，1≤m≤M，当天线个数M趋于无穷时，利用信道是零均值独立同分布的特征，R_hh将近似为一个对角阵，其中对角元素r_kk≠0代表该用户当前为活跃用户，r_kk＝0代表该用户当前为非活跃用户。因此，用户的检测问题就转化为了去确定矩阵R_hh中非零元素的个数和位置，

使用Khatri-Rao乘法的性质，可以将上述公式向量化得到：z＝vec(Φ_yy)＝(S⊙S)r_hh+n+e，x＝z-n＝(S⊙S)r_hh+e，其中，n＝vec(Φ_ww)是一个L²×1的向量，它的非零元素包含在了diag(Φ_ww)中。假定噪声方差已知，那么用户检测问题可以转化为寻找中的非零元素。r_hh是一个稀疏度为D的向量，它的非零元都包含在了向量diag(R_hh)中，表示为：

由于天线数量在实际应用中是有限的，所以这会导致一个附加的噪声项它的元素可以表示为:这些项反应出由于天线数量的有限性，使得不同y_m之间的交叉相关性并不是完全为零，但是当天线数M→∞时，这个噪声项将会变得无穷小，这在大规模MIMO分析中是有效的。

一种基于压缩感知的大规模MIMO非正交多用户接入方法，具体步骤如下：

S1、进行用户检测，具体为：通过LASSO方法，求解问题其中，S为导频字典；r是需要求解的稀疏向量，即之前进行向量化之后的r_hh，λ为稀疏向量r的1范数惩罚项系数。

S2、根据S1求解的结果进行信道估计，具体为：根据S1求解得到稀疏向量r中的非零元素索引值集合即为活跃用户索引值的集合S₀，所述集合S₀包含了K_a个活跃用户节点，即||S₀||₀＝K_a，确定与所述集合S₀对应的所使用的大小为L×K_a导频字典基站接收到的导频信号可以表示为：通过最小二乘法，可以求解得出

S3、根据S2估计得到的信道进行数据检测：基站接收到的数据可以表示为：为了简化系统的设计，用最小二乘法进行求解可得

本发明采用不同信噪比(SNR)和不同导频序列长度下，活跃用户的正确检测概率，以及信道估计的均方误差(MSE)和数据检测的误码率(SER)和来衡量算法的性能。

下面将使用几种典型的MMV算法同本发明方法的算法性能对比分析，以进一步验证本发明的性能。假定对于一个活跃用户ka∈|S₀|，信道状态信息为h_ka，其估计为则信道估计的MSE定义为：

活跃用户检测成功率定义为所有实验中正确检测出当前所有活跃用户则视为正确检测。SER定义为：传输过程中的误码/所传输的总码数*100％。

图1中L＝20,M＝128,SNR＝0，说明本方法随活跃用户数目的增加，用户检测性能一直保持在较高水平，知道活跃用户数量达到8时，仍然保持着100％的检测概率，而其他几种算法在活跃用户数超过5时检测性能大幅下降。图2中L＝20,M＝128,活跃用户数量|S0|＝10，本方法在SNR＝0的时候，就已经有接近100％的检测性能，而其他几种算法在0dB时的检测概率最高的也不超过20％。图3中L＝20,|S0|＝10,SNR＝0，说明本方法随着天线数量的增加，检测性能明显提升，相比于其他几种算法，本方法在活跃用户数量检测性能上有着十分明显的优势。

为了研究用户检测性能和信道估计对后续数据检测的影响，图4和图5分别比较了在已知信道状态信息和已知信道状态信息加上活跃用户数的情况下，数据检测误码率随信噪比和活跃用户数目的变化情况。仿真结果表明，误码率主要受限于信道检测产生的误差，与活跃用户数已知或未知没有太大关系，说明本方法在活跃用户数检测有着较高的性能。

综上所诉，本发明是基于压缩感知的大规模MIMO的情况下，对于散发性无线通信在5G通信中的应用，利用活跃用户数的稀疏性，采用非正交导频大大节约了传输过程中的冗余开支，并对活跃用户数进行高精度的估计，为后续信道估计和数据检测提供有力保证。通过利用基站接收信号的协方差矩阵信息，使得算法在低信噪比下有着优越的检测性能，拥有着强鲁棒性。

Claims (1)

1.一种基于压缩感知的大规模MIMO非正交多用户接入方法，其特征在于，具体步骤如下：

S1、进行用户检测，具体为：通过LASSO方法，求解问题其中，S为导频字典；

S2、根据S1求解的结果进行信道估计，具体为：找到活跃用户索引值的集合S₀，所述集合S₀包含了K_a个活跃用户节点，||S₀||₀＝K_a，确定与所述集合S₀对应的所使用的大小为L×K_a导频字典基站接收到的导频信号可以表示为：通过最小二乘法，可以求解得出

S3、根据S2估计得到的信道进行数据检测：基站接收到的数据可以表示为：其中D∈R^K×N为用户发送的数据所组成的矩阵，N为用户发送数据长度，为了简化系统的设计，用最小二乘法进行求解