CN106972875A - 一种mimo系统下多维联合估计动态稀疏信道的方法 - Google Patents

Abstract

一种MIMO系统下多维联合估计动态稀疏信道的方法，包括步骤1)利用复指数基扩展模型对时间频率双选信道进行建模；2)不同天线、不同阶数的BEM系数间具有联合稀疏性，利用块稀疏性对基扩展模型系数重新排布成块结构；3)对于多天线场景，采用层次化的导频设计，N个子载波中导频位置等间隔分布，推导信道估计模型；4)根据动态稀疏信道的时间相关性，确定不同OFDM符号对应的时刻的信道稀疏度K^(j),j＝1,2,…,J；5)由每一时刻对应的确定的稀疏度，重建得到稀疏系数6)由稀疏系数恢复出信道抽头系数本发明能够有效估计稀疏信道的动态性，得到动态稀疏信道的信道特征，提高信道估计的准确度和频谱利用率。

Description

一种MIMO系统下多维联合估计动态稀疏信道的方法

技术领域：

本发明涉及在时间频率双重选择性衰落环境中，基站与移动终端进行上下行链路通信时，接收机进行信道估计的方法，具体是一种MIMO系统下多维联合估计动态稀疏信道的方法，属于无线通信技术领域。

背景技术：

无线通信系统中，为了有效恢复出原始发送信号，接收机需要估计出信道状态信息，进而对接收到的信号进行均衡处理。因此，信道估计的准确性对无线通信系统的性能至关重要。

基于信道的稀疏性，越来越多的研究将压缩感知(CS)理论用于稀疏信道估计，CS理论突破了奈奎斯特采样定理的限制，用很少的测量值就能恢复原始信号。和CS相比，分布式压缩感知(DCS)用于恢复一组联合稀疏的信号，能更准确的找到稀疏信号的非零位置，所以能提高恢复精度，例如正交匹配追踪(OMP)和联合正交匹配追踪(SOMP)，可以用较少的取样更准确地恢复原始的发射信号。

但是对于MIMO系统下的动态稀疏信道来说，一方面，发射端和接收端建有多根天线，需要估计的信道系数大大增多，意味着需要更多的导频子载波，导频开销增大，降低了频谱利用率；另一方面，动态信道的时延特性会随着时间发生动态变化，增益非零的信道抽头在某一时刻可能产生或消失，导致信道的稀疏度随之发生变化。之前提出的基于CS、DCS的信道估计方案忽视了这一动态变化，将信道稀疏度作为一个固定值，将会严重影响信道估计的准确度。

发明内容：

本发明的目的在于针对上述现有技术存在的问题，提出一种MIMO系统下多维联合估计动态稀疏信道的方法，利用多天线、多OFDM符号下信道的联合稀疏特性，将基扩展模型系数重新排布成块结构，根据信道的时间相关性，估计出不同时刻的信道稀疏度，利用分布式压缩感知理论，采用SOMP方案，提高接收机信道估计的精度。

本发明的主要原理是：

宽带无线通信系统中，增益非零的信道抽头随着时间会发生动态变化。利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模，从而将信道系数 的估计问题转换为对CE-BEM系数的估计问题。在多天线场景下，为了减少所需导频数，降低导频开销，采用层次化的导频设计，每根天线对应的导频位置等间隔排布。在不同的时刻发送不同的符号，利用不同天线、不同阶数间的BEM系数的联合稀疏性，将原始的双选信道估计问题转化为结构化分布式压缩感知模型。针对提出的模型，利用信道的时间相关性，采用动态块同步正交匹配追踪算法(DBSOMP)求解系数，联合估计非零信道抽头的这一动态变化，得到当前时刻的稀疏度，然后利用BSOMP算法求解CE-BEM系数，估计动态稀疏信道的信道特征。

本发明的技术解决方案如下：

(1)利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模。模型如下：

其中，j代表OFDM符号的序号，n_t代表发射天线的序号，Q代表CE-BEM阶数，L代表路径数，表示第j个OFDM符号对应的时刻、第n_t根发射天线对应信道的第l径信道抽头系数，b_q(0≤q≤Q-1)代表CE-BEM基函数，代表CE-BEM系数，代表CE-BEM建模误差。

CE-BEM基函数表示为：

其中，N表示一个OFDM符号子载波的个数，J个OFDM符号对应着J个时刻，每个时刻、每根发射天线对应的CE-BEM基函数相同，BEM系数不同。

(2)不同天线、不同阶数的BEM系数间具有联合稀疏性，对于第j个OFDM符号而言，不同阶数的CE-BEM系数向量具有联合稀疏性，不仅稀疏度相同，而且非零元素下标集也相同，同时对于不同的发射天线-接收天线对所对应的CE-BEM系数同样具有联合稀疏性，利用系数的这种块稀疏性，将不同天线、不同阶数的BEM系数以块结构的方式进行重新排布，如图1所示。

(3)在不同的时刻发送不同的OFDM符号，对于J个OFDM符号、N_t根发射天线，设计稀疏导频模式，导频位置等间隔分布，推导信道估计模型：

导频序列包括G个有效导频和(2Q-2)G个保护导频，其中K＜G＜LN_t，K表示无线信道延时域的稀疏度；导频位置等间隔分布，间距为故有效导频下标为[M,2M,3M,…,GM]；不同天线对应的导频序列不同，有效导频幅度为0至2之间的随机数，保护导频幅度取为0，有效导频序列记为P_eff，保护导频序列记为P_guard，保护导频位于有效导频两侧，将导频分为Q个子序列：

其中表示所有有效导频构成的子序列；

结合CE-BEM特性和稀疏导频模式的设计，得到信道估计模型如下：

其中，R^(j)代表接收机解调之后的对应于第j个OFDM符号的数据，满足： 代表第j个OFDM符号对应的接收天线接收到第n_t根发射天线发送的信号，W_q包括噪声和建模误差。是需要重建的块处理后的BEM系数向量，其中，测量矩阵Φ＝[Φ₀,...,Φ_L-1]， 代表第n_t个发射天线-接受天线对对应的测量矩阵，为(离散傅里叶变换矩阵)的前L列构成的矩阵。

对式(4)所示模型中需要重建的系数进行重新排序，公式如下：

其中，对角矩阵为一个对角矩阵，表示如下：

得到信道估计模型：

(4)对于式(6)所示模型，利用动态块同步正交匹配(DBSOMP)算法，根据动态稀疏信道的时间相关性，确定第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)，设输入为接收信号测量矩阵Φ＝[Φ₀,...,Φ_L-1]，阈值F_th，输出为信道稀疏度估计值K＝(K⁽¹⁾,...,K^(J))。DBSOMP算法步骤如下：

a)设置初始值：迭代次数j＝1，信道稀疏度K^(j)＝K₀，路径时延下标集测量子矩阵支持向量稀疏向量

b)迭代次数增加j＝j+1，接收信号残差

c)对所有计算

d)在中找到最大值当前时刻新产生的信道抽头ζ⁺＝m，更新路

径时延下标集更新支持向量测量子矩阵Φ'＝Φ'∪Φ_m；

e)更新稀疏向量

f)估计当前时刻消失的非零信道抽头下标：将所对应的稀疏向量中的元素置为零：获得最终的稀疏向量

g)更新路径时延下标集测量子矩阵支持向量计算当前时刻的信道稀疏度：

h)重复步骤b)到g)直到j＝J。

(5)由每一时刻对应的确定的稀疏度，利用BSOMP算法重建得到稀疏系数

(6)由稀疏系数恢复出信道抽头系数根据计算得到的系数基于式(5)恢复得到BEM系数然后基于式(1)计算得到信道抽头系数

通过以上步骤，可以得到每个OFDM符号、每条发射天线对应的动态稀疏信道的信道系数，实现在MIMO系统下动态稀疏信道的信道估计。

与现有的信道估计方法相比，本发明的一种MIMO系统下高速移动环境下的联合多符号信道估计方法能够有效估计稀疏信道的动态性，同时提高信道估计的准确度和频谱利用率。

附图说明：

图1是BEM稀疏块结构模型

具体实施方式：

下面结合附图和具体实施例对本发明做进一步的描述。本实施旨在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

LTE是一项基于OFDM传输系统的无线通信协议。采用30MHz带宽按照LTE协议进行下行链路无线通信时，取CE-BEM阶数Q＝3,信道路径数L＝32，子载波数N＝2048，导频数G＝90，基站发射天线数N_t＝12，发送的OFDM符号数J＝10，初始时刻信道稀疏度K⁽¹⁾＝5。本发明的一种MIMO系统下多维联合估计动态稀疏信道的具体步骤如下：

(1)利用复指数基扩展模型(CE-BEM)对时间频率双选信道进行建模。模型如下：

其中，j＝1,2,…,10；n_t＝1,2,…,12；表示第j个OFDM符号对应的时刻、第n_t根发射天线对应信道的第l径信道抽头系数。

b_q(0≤q≤2)代表CE-BEM基函数，表示为：

(2)不同天线、不同阶数的BEM系数间具有联合稀疏性，对于第j个OFDM符号而言，不同阶数的CE-BEM系数向量具有联合稀疏性，不仅稀疏度相同，而且非零元素下标集也相同，同时对于不同的发射天线-接收天线对所对应的CE-BEM系数同样具有联合稀疏性，利用系数的这种块稀疏性，将不同天线、不同阶数的BEM系数以块结构的方式进行重新排布，如图1所示。

(3)在不同的时刻发送不同的OFDM符号，对于10个OFDM符号、12根发射天线，设计稀疏导频模式，导频位置等间隔分布，推导信道估计模型：

导频序列包括90个有效导频和360个保护导频；导频位置等间隔分布，间距为22，故有效导频下标为[22,44,66,…,1980]；不同天线对应的导频序列不同，有效导频幅度为0至2之间的随机数，保护导频幅度取为0，有效导频序列记为P_eff，保护导频序列记为P_guard，保护导频位于有效导频两侧；将导频分为3个子序列：

其中P₁表示所有有效导频构成的子序列；

结合CE-BEM特性和稀疏导频模式的设计，得到信道估计模型如下：

其中，R^(j)＝R^(j,1)+R^(j,2)+...+R^(j,12)，测量矩阵Φ＝[Φ₀,...,Φ₃₁]，其中代表第n_t个发射天线-接受天线对对应的测量矩阵，为(离散傅里叶变换矩阵)的前32列构成的矩阵。

(4)利用动态块同步正交匹配追踪算法确定第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)(j＝1,2,…,10)，设输入为接收信号测量矩阵Φ＝[Φ₀,...,Φ₃₁]，阈值F_th，输出为信道稀疏度估计值K＝(K⁽¹⁾,...,K⁽¹⁰⁾)。DBSOMP算法步骤如下：

i)设置初始值：迭代次数j＝1，信道稀疏度K⁽¹⁾＝5，路径时延下标集测量子矩阵Φ'＝[Φ₁₀,Φ₂₀,Φ₂₅,Φ₃₀,Φ₃₅]，支持向量稀疏向量

j)迭代次数增加j＝j+1，接收信号残差

k)对所有计算

l)在中找到最大值当前时刻新产生的信道抽头ζ⁺＝m，更新路径时延下标集更新支持向量Ω_m＝1_12×1，测量子矩阵Φ'＝Φ'∪Φ_m；

m)更新稀疏向量

n)估计当前时刻消失的非零信道抽头下标：将所对应的稀疏向量中的元素置为零：获得最终的稀疏向量

o)更新路径时延下标集测量子矩阵支持向量计算当前时刻的信道稀疏度：

p)重复步骤b)到g)直到j＝10。

(5)由每一时刻对应的确定的稀疏度，根据BSOMP算法重建得到稀疏系数

(6)由稀疏系数恢复出信道抽头系数首先恢复CE-BEM系数公式如下：

其中对角矩阵

根据式(1)得到信道抽头系数

通过以上步骤，可以得到每个OFDM符号、每条发射天线对应的动态稀疏信道的信道系数，实现在MIMO系统下动态稀疏信道的信道估计。

Claims (2)

1.一种MIMO系统下多维联合估计动态稀疏信道的方法，利用多天线、多符号场景下动态信道的联合稀疏特性，基于压缩感知理论对信道进行估计，其特征在于，该方法包括如下步骤：

(1)利用复指数基扩展模型对时间频率双选信道进行建模，模型如下：

$h_l^{(j,n_t)}=(b_0,\mathrm{...},b_{Q-1})\left(\begin{array}{c}{c}^{(j,n_t)}\[0,l\]\\ .\\ .\\ .\\ c^{(j,n_t)}\[Q-1,l\]\end{array}\right)+{\mathrm{\ξ}}_l^{(j,n_t)},0\≤l\≤L-1---\left(1\right)$

其中，j代表OFDM符号的序号，n_t代表发射天线的序号，Q代表CE-BEM阶数，L代表路径数，表示第l径对应的信道抽头系数，b_q(0≤q≤Q-1)代表CE-BEM基函数，代表CE-BEM系数，代表CE-BEM建模误差；

CE-BEM基函数表示为：

$b_q={(1,\mathrm{...},e^{j\frac{2\mathrm{\π}}{N}n(q-\frac{Q-1}{2})},\mathrm{...},e^{j\frac{2\mathrm{\π}}{N}(N-1)(q-\frac{Q-1}{2})})}^T,0\≤q\≤Q-1---\left(2\right)$

其中，N表示一个OFDM符号子载波的个数；

(2)将不同天线、不同阶数的系数以块结构的方式进行重新排布，如图1所示；

(3)对于N_t根发射天线，设计稀疏导频模式，导频位置等间隔分布，推导信道估计模型：

导频序列包括G个有效导频和(2Q-2)G个保护导频，其中K＜G＜LN_t，K表示无线信道延时域的稀疏度；导频位置等间隔分布，间距为故有效导频下标为[M,2M,3M,…,GM]；不同天线对应的导频序列不同，有效导频幅度为0至2之间的随机数，保护导频幅度取为0，有效导频序列记为P_eff，保护导频序列记为P_guard，保护导频位于有效导频两侧；将导频分为Q个子序列：

$\begin{array}{c}{P}_0=P_{eff}-\frac{Q-1}{2}\\ .\\ .\\ .\\ P_{\frac{Q-1}{2}}=P_{eff}\\ .\\ .\\ .\\ P_{Q-1}=P_{eff}+\frac{Q-1}{2}\end{array}---\left(3\right)$

其中表示所有有效导频构成的子序列；

得到信道估计模型如下：

$\left\{\begin{array}{c}{\[R^{\left(j\right)}\]}_{P_0}={\mathrm{\Φs}}_0^{\left(j\right)}+W_0\\ .\\ .\\ .\\ {\[R^{\left(j\right)}\]}_{P_{\frac{Q-1}{2}}}={\mathrm{\Φs}}_{\frac{Q-1}{2}}^{\left(j\right)}+W_{\frac{Q-1}{2}}\\ .\\ .\\ .\\ {\[R^{\left(j\right)}\]}_{P_{Q-1}}={\mathrm{\Φs}}_{Q-1}^{\left(j\right)}+W_{Q-1}\end{array}\right.---\left(4\right)$

其中，R^(j)代表接收机解调之后的对应于第j个OFDM符号的数据，满足：

代表第j个OFDM符号对应的接收天线接收到第n_t根发射天线发送的信号，是需要重建的块处理后的系数向量，(0≤q≤Q-1)。测量矩阵Φ＝[Φ₀,...,Φ_L-1]，其中代表第n_t个发射天线-接收天线对所对应的测量矩阵，W_q包括噪声和建模误差；

(4)利用动态块同步正交匹配算法，根据动态稀疏信道的时间相关性，确定不同OFDM符号对应时刻的信道稀疏度K^(j),j＝1,2,…,J；

(5)由每一时刻对应的确定的稀疏度，重建得到稀疏系数

(6)由稀疏系数恢复出信道抽头系数具体如下：

恢复CE-BEM系数公式如下：

$c_q^{\left(j\right)}={{\mathrm{\λ}}_q}^{-1}\[s_q^{\left(j\right)}\]---\left(5\right)$

其中对角矩阵

${\mathrm{\Λ}}_q^1={\mathrm{\Λ}}_q^2=\mathrm{...}={\mathrm{\Λ}}_q^{N_t}=diag(1,{\mathrm{\ω}}^{q-\frac{Q-1}{2}},\mathrm{...},{\mathrm{\ω}}^{(q-\frac{Q-1}{2})(L-1)}),\mathrm{\ω}=e^{-i\frac{2\mathrm{\π}}{N}}$

根据式(1)得到信道抽头系数

2.根据权利要求1所述的MIMO系统下多维联合估计动态稀疏信道的方法，其特征在于，所述的步骤(4)利用动态块同步正交匹配追踪算法确定第j个OFDM符号所对应的第j个时刻的信道稀疏度K^(j)，具体如下：

设输入为接收信号测量矩阵Φ＝[Φ₀,...,Φ_L-1]，阈值F_th，输出为信道稀疏度估计值K＝(K⁽¹⁾,...,K^(J))；

DBSOMP算法步骤如下：

a)设置初始值：迭代次数j＝1，信道稀疏度K^(j)＝K₀，路径时延下标集测量子矩阵支持向量稀疏向量

b)迭代次数增加j＝j+1，接收信号残差

c)对所有计算

d)在中找到最大值当前时刻新产生的信道抽头ζ⁺＝m，更新路径时延下标集更新支持向量测量子矩阵Φ'＝Φ'∪Φ_m；

e)更新稀疏向量

f)估计当前时刻消失的非零信道抽头下标：将所对应的稀疏向量中的元素置为零：获得最终的稀疏向量

g)更新路径时延下标集测量子矩阵支持向量计算当前时刻的信道稀疏度：

h)重复步骤b)到g)直到j＝J。