CN107566304A - 一种信道估计方法及终端 - Google Patents
一种信道估计方法及终端 Download PDFInfo
- Publication number
- CN107566304A CN107566304A CN201710636635.4A CN201710636635A CN107566304A CN 107566304 A CN107566304 A CN 107566304A CN 201710636635 A CN201710636635 A CN 201710636635A CN 107566304 A CN107566304 A CN 107566304A
- Authority
- CN
- China
- Prior art keywords
- matrix
- channel
- model
- channel matrix
- linear model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Radio Transmission System (AREA)
Abstract
本发明实施例公开了一种信道估计方法及终端，其中方法包括：根据接收到的导频信号构建向量形式的信道估计模型；构建所述信道估计模型对应的信道矩阵线性模型；构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。本发明实施例通过对信道协方差矩阵求逆过程转换为对信道矩阵线性模型进行求解，从而降低信道估算的计算复杂度。
Description
技术领域
本发明涉及电子技术领域，尤其涉及一种信道估计方法及终端。
背景技术
多输入多输出(Multiple-Input Multiple-Output，MIMO)技术是指在发射端和接收端分别采用多根天线进行信号的发送和接收，在保持高频谱效率的同时大幅度提高信号传输质量。随着通信技术的高速发展，对数据传输速率提出了更高的要求，鉴于传统小规模MIMO系统已不能满足当今对数据传输速率的需求，从而促使大规模MIMO系统的快速发展。大规模MIMO系统中，发射端和接收端分别采用大规模天线矩阵进行信号的发送和接收，为移动用户提供更高的频谱效率、数据传输速率、吞吐量以及更好的通信质量。
在大规模MIMO系统中，影响系统性能的主要限制因素就是能否精确的获取当前上下行链路的瞬时信道状态信息(Channel State Information,CSI)。现有技术中，通常通过对接收端接收到的导频序列施加适当的信道估计方案获得瞬时信道矩阵，从而获取当前上下行链路的瞬时信道状态信息。由于，在通过对在接收端接收到的导频序列施加适当的信道估计方案获得瞬时信道矩阵时，一般都存在对信道协方差矩阵进行求逆的过程，这时信道估计的计算复杂度为协方差矩阵维度的立方级，而对于大规模MIMO系统而言，对大规模天线矩阵所对应的信道协方差矩阵进行求逆的过程过于复杂，导致大规模MIMO系统的信道估计的计算复杂度过高。
发明内容
本发明实施例提供一种信道估计方法及终端，能够降低信道估计的计算复杂度。
第一方面，本发明实施例提供了一种信道估计方法，该方法包括：
根据接收到的导频信号构建向量形式的信道估计模型；
构建所述信道估计模型对应的信道矩阵线性模型；
构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；
根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；
若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
另一方面，本发明实施例提供了一种终端，该终端包括：
第一建模单元，用于根据接收到的导频信号构建向量形式的信道估计模型；
第二建模单元，用于构建所述信道估计模型对应的信道矩阵线性模型；
第三建模单元，用于构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；
精度计算单元，用于根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；
信道估计单元，用于若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
第三方面，本发明实施例提供了另一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本发明实施例通过根据接收到的导频信号构建向量形式的信道估计模型；构建所述信道估计模型对应的信道矩阵线性模型；构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。终端通过对信道协方差矩阵求逆过程转换为对信道矩阵线性模型进行求解，从而降低信道估算的计算复杂度。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种信道估计方法的示意流程图；
图2是本发明实施例提供的一种大规模多小区多用户系统的信道传输模型的示意图；
图3是本发明实施例提供的一种MIMO系统原理框图；
图4本发明另一实施例提供的一种信道估计方法的示意流程图；
图5是不同估计器选取不同的松弛因子ω的均方误差MSE在不同干扰情况下随着迭代次数的变化情况；
图6是不同估计器不同干扰情况下的差MSE随着信噪比的变化情况；
图7是本发明实施例提供的一种终端的示意性框图；
图8是本发明另一实施例提供的一种终端示意性框图；
图9是本发明再一实施例提供的一种终端示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中，本发明实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
请参见图1，图1是本发明实施例提供的一种信道估计方法的示意流程图。本实施例中信道估计方法应用于大型MIMO系统。本实施例中信道估计方法的执行主体为终端，终端可以是智能终端，也可以其他需要与基站进行通信的终端。如图1所示的信道估计方法可包括以下步骤：
S101：根据接收到的导频信号构建向量形式的信道估计模型。
请一并参阅图2以及图3，图2是本发明实施例提供的一种MIMO系统原理框图，图3是本发明实施例提供的一种MIMO系统的信道传输模型的简化图。
请一并参阅图2，图2是本发明实施例提供的一种大规模多小区多用户系统的信道传输模型的示意图。
图2中示出了一个多小区多用户的大规模MIMO网络结构中的第k个小区k-thcell、第l个小区l-th cell、第k个用户的信道模型以及第l个用户的信道模型。其中，hk,s(k)表示第k个小区中，第k个用户的信道矩阵；hl,s(k)表示第l个小区中，第k个用户的信道矩阵；hk,s(l)表示第k个小区中，第l个用户的信道矩阵；hl,s(l)表示第l个小区中，第l个用户的信道矩阵。
每个小区中含有一个配置有M根天线的基站和k个单天线用户终端，其中，K远远大于M，该系统通过时分双工(Time Division Duplexing，TDD)模式进行传输。在TDD模式的移动通信系统中，接收和发送在同一频率信道(即载波)的不同时隙，用保证时间来分离接收和传送信道。假设在同一个小区内的用户采用同一套彼此正交的导频序列，根据导频复用，不同的小区之间使用同一个导频序列。导频信号是基站连续发射未经调制的直接序列扩频信号，它使得接收端(手机等通信终端)能够获得前向码分多址信道时限，提供相关解调相位参考，并且为各基站提供信号强度比较，接收端可以确定何时进行切换。
其中，多小区多用户系统模型可以理解为一个大型MIMO系统。请一并参阅图3，图3是本发明实施例提供的一种MIMO系统原理框图。
如图3所示，大型MIMO系统中，分别在基站发射端配置有Nt根发射天线，在接收端配置有Nr根接收天线。由于瑞利衰落信道更具有普遍性的代表性，因此本实施例的信道模型主要针对瑞利衰落信道来进行。基于准静态平坦衰落信道模型H∈CNr×Nt，对信道矩阵H进行向量化得到vec(H)∈CN(0,R)。
其中，H∈CNr×Nt表示H是一个Nr×Nt维度的信道矩阵，vec(H)表示对信道矩阵H进行向量化，vec(H)∈CN(0,R)表示vec(H)为一个零均值，R协方差的矩阵，CN(0,R)中0表示0矩阵，R表示协方差矩阵。
为了估计出信道系数，发射端在B个信道上使用一个固定的导频P∈CNt×B,其中B为发送导频序列的长度，P是一个Nt×B维度的导频序列矩阵。发射端发送预定义的导频序列P，那么终端(接收端)接收到的信号Y可以表示为：
Y＝HP+N①
在公式①中，N表示服从循环对称复高斯分布的干扰项，N∈CNr×B，表示N为一个Nt×B维度的干扰项矩阵；并且建模为：vec(N)∈CN(0,S)，vec(N)表示对干扰项矩阵N进行向量化，vec(N)∈CN(0,S)表示vec(N)为零均值，S协方差的矩阵，CN(0,S)中0表示0矩阵，S为正定的干扰协方差矩阵，S∈CNrB×NrB，表示S的维度为NrB×NrB。额外添加的干扰项N不但包括空间环境中的噪声，还可能会含有其他发射端由于导频复用造成的干扰，即导频污染。
引入向量化算子：对公式①的Y、H、N分别进行向量化处理得到： 和均为一个NrB×1的向量： 为一个NrNt×1的向量：向量化后的协方差矩阵R和S被假设在发射端和接收端是已知的。对公式①整体进行向量化得到：
vec(Y)＝vec(HP)+vec(N)②
为了保持矩阵维度的统一性和一致性，在此定义一个新的导频信号构成的矩阵，该矩阵由下式通过克罗内克积Kronecker product乘得到：
其中，I为一个Nr×Nr的单位矩阵，表示克罗内克积。
然后根据就可以将公式②对应的向量化之后的接收信号转化成：
由于在很多实际情况下信道的先验信息是未知的，最小均方误差(Minimum MeanSquare Error，MMSE)估计是一种不需要先验信息的参数估计方法，终端可根据公式1.4采用MMSE信道估计算法得到信道矩阵H对应的信道估计模型：
其中，表示通过MMSE信道估计算法得到信道矩阵H，表示对进行共轭转置，表示对求逆。
为了便于表达说明，令公式⑤可以转换为：
其中，A-1表示矩阵A的逆，很明显A是一个埃尔米特矩阵(Hermitian Matrix)，埃尔米特矩阵又称共轭矩阵，埃尔米特矩阵中每一个第i行第j列的元素都与第j行第i列的元素的共轭相等。
由于向量化的导频序列矩阵协方差矩阵R以及干扰协方差矩阵S都是已知的，可根据计算得到，因此，也是已知的。
S102：构建所述信道估计模型对应的信道矩阵线性模型。
公式⑥中由于终端已知协方差矩阵R以及预定义的导频序列P，那么向量化的导频序列也是已知的，将进行共轭转置即可得到终端只要求出即可得到
基于上述原理，终端构建公式⑥所对应的信道矩阵线性模型Ax如下：
其中，为系数矩阵，且A为非奇异矩阵(可逆矩阵)，为右端向量；表示矩阵A是一个维度为n×n的系数矩阵；表示向量化的矩阵是维度为n的右端向量。
可逆矩阵是指该矩阵的行列式不为零，例如，可逆矩阵A的行列式|A|≠0。
S103：构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
终端根据信道矩阵线性模型构建对应的信道矩阵线性迭代模型
xk+1＝Txk+d⑧。
其中，T、d为矩阵，可根据系数矩阵A转换得到。
由于矩阵A的维度为NrB×NrB，矩阵A为大维度矩阵，直接对矩阵A求逆得到A-1是不现实的，而且复杂度过高。由公式可知：将计算转化成求解信道矩阵线性模型从而降低计算复杂度。终端可根据公式⑦⑧进行求解，得到近似最优解x*，即可根据近似最优解x*计算得到以下S104～S105将详细描述近似最优解x*的求解过程。
S104：根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方。
终端根据预设的初始向量矩阵x1、公式⑦、公式⑧以及剩余向量矩阵计算信道矩阵线性模型对应的剩余向量矩阵的精度值。
其中，预设的初始向量矩阵x1为任意初始向量矩阵，具体可根据实际情况进行设置，此处不做限制。gk表示第k个向量x对应的剩余向量矩阵；剩余向量矩阵的F范数为表示剩余向量矩阵gk的全部元素的平方和的平方根；剩余向量矩阵的精度值为剩余向量矩阵的F范数的二次方，即剩余向量矩阵的精度值为
其中，x2＝Tx1+d；x3＝Tx2+d；……，xk＝Txk-1+d。
终端在计算得到剩余向量矩阵gk时，根据gk计算剩余向量矩阵的精度值并将与预设精度阈值ε进行比较，当比较结果为时，执行S105。
当比较结果为时，根据公式xk+1＝Txk+d⑧计算xk+1，返回执行S104，从而根据xk+1以及剩余向量矩阵计算gk+1，以及计算剩余向量矩阵的精度值并将与预设精度阈值ε进行比较，当比较结果为时，执行S105；当比较结果为时，根据公式xk+1＝Txk+d⑧计算xk+1+1，返回执行S104进入下一轮循环。
例如，终端根据预设的初始向量矩阵x1以及公式计算得到并将与预设精度阈值ε进行比较，当比较结果为时，执行S105。
当比较结果为时，根据公式xk+1＝Txk+d⑧计算x1+1，根据x2以及公式计算得到并将与预设精度阈值ε进行比较，当比较结果为时，执行S105；当比较结果为时，根据公式xk+1＝Txk+d⑧计算x3，返回执行S104进入下一轮循环。
在本实施例中，预设精度阈值ε为一个无穷小的值，ε可以为0.001，但并不限于此，还可以设置其他值，具体可根据实际精度要求进行设置，此处不做限制。
S105：若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型，计算信道估计结果。
终端在确认S104中计算的到的信道矩阵线性模型对应的剩余向量矩阵gk的精度值小于预设精度阈值时，此时，信道矩阵线性模型的解为近似最优解x*＝xk，由x*＝xk可得到：
由可知，终端将信道矩阵线性模型的近似最优解x*输入信道估计模型可计算得到信道估计结果。
由于矩阵A的维度为NrB×NrB，矩阵A为大维度矩阵，直接对矩阵A求逆得到A-1是不现实的，而且复杂度过高。由公式⑦可知：将计算转化成求解信道矩阵线性模型终端可根据公式⑦⑧进行求解，得到近似最优解x*，即可根据近似最优解x*计算得到
上述方案，终端根据接收到的导频信号构建向量形式的信道估计模型；构建所述信道估计模型对应的信道矩阵线性模型；构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。终端通过对信道协方差矩阵求逆过程转换为对信道矩阵线性模型进行求解，从而降低信道估算的计算复杂度。
请参见图4，图4是本发明另一实施例提供的一种信道估计方法的示意流程图。本实施例中信道估计方法应用于大型MIMO系统。本实施例中信道估计方法的执行主体为终端，终端可以是智能终端，也可以其他需要与基站进行通信的终端。如图4所示的信道估计方法可包括以下步骤：
S201：根据接收到的导频信号构建向量形式的信道估计模型。
本实施例中S201与上一实施例中的S101相同，具体请参阅上一实施例中S101的相关描述，此处不做限制。
S202：构建所述信道估计模型对应的信道矩阵线性模型。
公式中，由于终端已知协方差矩阵R以及预定义的导频序列P，那么向量化的导频序列也是已知的，将进行共轭转置即可得到终端只要求出即可得到
基于上述原理，终端构建公式⑥所对应的信道矩阵线性模型Ax如下：
其中，为系数矩阵，且A为非奇异矩阵(可逆矩阵)，为右端向量；表示矩阵A是一个维度为n×n的系数矩阵；表示向量化的矩阵是维度为n的右端向量。
可逆矩阵是指该矩阵的行列式不为零，例如，可逆矩阵A的行列式|A|≠0。
S203：对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵。
终端对信道矩阵线性模型中的系数矩阵A进行分裂运算，得到系数矩阵A对应的至少两个分裂矩阵。
其中，终端可对系数矩阵进行随机分裂运算，也可以按预设分裂要求对系数矩阵进行分裂运算。由系数矩阵A分裂得到的至少两个分类矩阵之和等于系数矩阵A。
进一步地，S203可以包括S2031或S2032，或者S203可以包括S2032以及S2033。
S2031：对所述信道矩阵线性模型中的系数矩阵A进行分裂运算，得到两个分裂矩阵；其中，所述两个分裂矩阵为可逆矩阵。
终端对信道矩阵线性模型中的系数矩阵A进行随机分裂运算，得到两个随机分裂矩阵。例如，A＝M-N。
其中，M、N为系数矩阵A对应的随机分裂矩阵。M为可选择的非奇异矩阵(可逆矩阵),且使得M的逆矩阵容易求得，称M为分裂矩阵，且使Mx＝f容易求解。
S2032：对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵。
终端将信道矩阵线性模型中的系数矩阵A进行分裂运算，将系数矩阵A分裂为三个分裂矩阵，三个分裂矩阵分别为：系数矩阵对应的对角矩阵D、系数矩阵对应的严格下三角矩阵L以及系数矩阵对应的严格上三角矩阵U，即
由于系数矩阵A为埃尔米特矩阵(埃尔米特矩阵又称共轭矩阵)，那么，将系数矩阵A对应的严格下三角矩阵L进行共轭转置即可以得到系数矩阵A对应的严格上三角矩阵U，即U＝LH。LH表示严格上三角矩阵U为严格下三角矩阵L的共轭转置矩阵。
由A＝D-L-U以及U＝LH可以得到，A＝D-L-U＝D-L-LH。
进一步地，在另一实施方式中，为加快信道矩阵线性迭代模型的收敛速度，还可以根据A＝D-L-U将系数矩阵分裂为：
进一步地，为加快信道矩阵线性迭代模型的收敛速度，在执行S2022后，本实施例中的信道估计方法还可以包括S2023。
S2033：计算所述三个分裂矩阵与预处理矩阵的乘积，得到新的分裂矩阵；其中，所述预处理矩阵由一个单位矩阵和一个预设的可逆矩阵组成，新的分裂矩阵的数目为三个。
终端获取预先存储的预处理矩阵P，计算信道矩阵线性模型中的系数矩阵A与预处理矩阵P的乘积As。其中，当信道矩阵线性模型的等式两端同时乘预处理矩阵P时，信道矩阵线性模型仍成立。
其中，预处理矩阵I为单位矩阵，S为预设的可逆矩阵，
Ls表示S的严格下三角矩阵，Us表示S的严格上三角矩阵，DSLU表示S(L+U)的对角矩阵，LSLU表示S(L+U)的严格下三角矩阵，DSLU表示S(L+U)的严格上三角矩阵，LsD为下三角矩阵，且与Ls由同样的元素构成，UsD为上三角矩阵，且与Us由同样的元素构成。
S204：根据所述至少两个分裂矩阵以及所述信道矩阵线性模型，构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
终端根据信道矩阵线性模型以及系数矩阵A对应的至少两个分裂矩阵，构建信道矩阵线性模型对应的信道矩阵线性迭代模型xk+1＝Txk+d⑧。
其中，T、d为矩阵，可根据系数矩阵A转换得到。
由于矩阵A的维度为NrB×NrB，矩阵A为大维度矩阵，直接对矩阵A求逆得到A-1是不现实的，而且复杂度过高。由公式可知：将计算转化成求解信道矩阵线性模型从而降低计算复杂度。终端可根据公式⑦⑧进行求解，得到近似最优解x*，即可根据近似最优解x*计算得到以下S205～S206将详细描述近似最优解x*的求解过程。
进一步地，终端在执行S2031后，得到A＝M-N，将A＝M-N代入信道矩阵线性模型可得到：
由于M*M-1＝1，M-1为M的逆矩阵，的等式两边同时乘M-1，即，得到构建固定步长的迭代方程为：
在此记T＝M-1N,T称为定长迭代法的迭代矩阵，那么可以得到单步定长线性迭代方程形式如下：
xk+1＝Txk+d。
其中，在给定一个任意的初始向量通过xk+1＝Txk+d可以得到一个迭代序列{x0…xj…xk}；如果该序列有极限值xk，很显然xk就是信道矩阵线性模型的解。
进一步地，终端在执行S2032后，得到A＝D-L-U，将A＝D-L-U代入信道矩阵线性模型可得到将其进一步展开得到由于(D-L)*(D-L)-1＝1，的等式两边同是乘(D-L)-1，即得到从而构建信道矩阵线性模型对应的信道矩阵线性迭代模型为：
这种迭代形式为高斯Gauss-Seidel迭代法，高斯迭代法中，如果迭代矩阵(D-L)-1U为共轭矩阵，那么高斯迭代法一定收敛。
此时，记可转换为：
xk+1＝Txk+d。
其中，由于迭代矩阵T＝(D-L)-1U中矩阵D、U、L由系数矩阵A进行分裂运算得到，系数矩阵A为非奇异矩阵(共轭矩阵)，那么，迭代矩阵T也为非奇异矩阵(共轭矩阵)，利用高斯迭代法对xk+1＝Txk+d进行求解时一定收敛，从而可求得xk。
进一步地，终端在执行S2032后，得到将代入信道矩阵线性模型可得到将其进一步展开得到
由于(D-wL)-1(D-wL)＝1，的等式两边同时乘(D-wL)-1，即得到从而构建信道矩阵线性模型对应的信道矩阵线性迭代模型为：
这种迭代形式为逐次超松弛迭代法(Successive Over Relaxation，SOR)，ω为松弛因子，0＜ω＜2。不难发现当ω＝1时，SOR迭代法转换成了高斯迭代法。SOR迭代法中，如果迭代矩阵(D-wL)-1((1-w)D+wU)为共轭矩阵，那么SOR迭代法一定收敛。
此时，记迭代矩阵T＝(D-wL)-1((1-w)D+wU)，那么可转换为：xk+1＝Txk+d。
其中，由于迭代矩阵T＝(D-wL)-1((1-w)D+wU)中，矩阵D、U、L由系数矩阵A进行分裂运算得到，系数矩阵A为非奇异矩阵(共轭矩阵)，那么，迭代矩阵T也为非奇异矩阵(共轭矩阵)，利用SOR迭代法对xk+1＝Txk+d进行求解时一定收敛，可求得xk。
SOR迭代法中，对于松弛因子选取的好坏，就直接决定了SOR迭代法的收敛速度。使SOR迭代法收敛最快的松弛因子通常称为最佳松弛因子，记为wopt。在利用SOR迭代法进行求解的过程中，一般选择不同的松弛因子w进行一次次的试算，快速地找到最佳松弛因子的近似值，也可以先选择一个w，通过迭代过程中实际的收敛速度，不断修正w，这样逐步寻找最佳w，直到满意后再固定下来，继续迭代，已达到加速的目的。
进一步地，终端在执行S2033后得到As，根据As以及信道矩阵线性模型构建信道矩阵线性模型对应的信道矩阵线性迭代模型为：此时构建的信道矩阵线性迭代模型为基于预处理SOR迭代法的低复杂度信道估计方法，简称PSOR。
根据As、构建的方法，与上述根据A＝D-L-U以及构建xk+1＝Txk+d具体实现方式类似，具体可参考上述根据A＝D-L-U以及构建xk+1＝Txk+d具体内容，此处不赘述。
其中，
S205：根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方。
终端根据预设的初始向量矩阵x1、公式⑦、公式⑧以及剩余向量矩阵计算信道矩阵线性模型对应的剩余向量矩阵的精度值。
其中，预设的初始向量矩阵x1为任意初始向量矩阵，具体可根据实际情况进行设置，此处不做限制。gk表示第k个向量x对应的剩余向量矩阵；剩余向量矩阵的F范数为表示剩余向量矩阵gk的全部元素的平方和的平方根；剩余向量矩阵的精度值为剩余向量矩阵的F范数的二次方，即剩余向量矩阵的精度值为
下面以xk＝Txk-1+d为例进行说明信道矩阵线性模型对应的剩余向量矩阵的精度值的具体实现。其中，x2＝Tx1+d， xk＝Txk-1+d。在一种实施方式中T＝M-1N,在另一实施方式中，T＝(D-L)-1U，在另一实施方式中，T＝(D-wL)-1((1-w)D+wU)，，
终端在计算得到剩余向量矩阵gk时，根据gk计算剩余向量矩阵的精度值并将与预设精度阈值ε进行比较，当比较结果为时，执行S206。
当比较结果为时，根据公式xk+1＝Txk+d⑧计算xk+1，返回执行S205，从而根据xk+1以及剩余向量矩阵计算gk+1，以及计算剩余向量矩阵的精度值并将与预设精度阈值ε进行比较，当比较结果为时，执行S206；当比较结果为时，根据公式xk+1＝Txk+d⑧计算xk+1+1，返回执行S205进入下一轮循环。
例如，终端根据预设的初始向量矩阵x1以及公式计算得到并将与预设精度阈值ε进行比较，当比较结果为时，执行S206。
当比较结果为时，根据公式xk+1＝Txk+d⑧计算x1+1，根据x2以及公式计算得到并将与预设精度阈值ε进行比较，当比较结果为时，执行S206；当比较结果为时，根据公式xk+1＝Txk+d⑧计算x3，返回执行S205进入下一轮循环。
在本实施例中，预设精度阈值ε为一个无穷小的值，ε可以为0.001，但并不限于此，还可以设置其他值，具体可根据实际精度要求进行设置，此处不做限制。
可以理解的是，计算对应的剩余向量矩阵的精度值的具体实现方式，与计算xk＝Txk-1+d对应的剩余向量矩阵的精度值具体实现过程类似，此处不赘述。
S206：若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型，计算信道估计结果。
终端在确认S204中计算的到的信道矩阵线性模型对应的剩余向量矩阵gk的精度值小于预设精度阈值时，此时，信道矩阵线性模型的解为近似最优解x*＝xk，由x*＝xk可得到：
由可知，终端将信道矩阵线性模型的近似最优解x*输入信道估计模型可计算得到信道估计结果。
由于矩阵A的维度为NrB×NrB，矩阵A为大维度矩阵，直接对矩阵A求逆得到A-1是不现实的，而且复杂度过高。由公式⑦可知：将计算转化成求解信道矩阵线性模型终端可根据公式⑦⑧进行求解，得到近似最优解x*，即可根据近似最优解x*计算得到
为了评估S201～S206对应的信道估计方法的性能，设定在大规模MIMO系统中，接收天线数Nr＝100，发送天线数Nt＝10，导频序列长度B＝10。为了不失一般性，我们设定零均值的信道和干扰。为了更好地体现出信道的相关特性，我们遵循克罗内克模型来描述目标信道和干扰信道天线之间的相关性：
H＝Rr 1/2HwRt 1/2 (2.1)
其中Rt∈CNt×Nt为发送天线的相关矩阵，Rr∈CNr×Nr为接收天线的相关矩阵，Hw是独立同分布的随机矩阵，矩阵中所有元素均服从期望为0，方差为1分布。在性能仿真中，大规模MIMO系统中所有的协方差矩阵被模拟为：干扰小区和目标小区模型一样，第i个干扰小区的协方差矩阵为β≥0,i∈U，U为干扰小区集合，β因子表示该污染小区的污染严重程度。我们定义归一化的导频信噪比SNR为：
其中Pt为平均导频功率：
利用归一化的MSE作为度量性能的标准:
请一并参阅图5以及图6，图5是不同估计器选取不同的松弛因子ω的均方误差MSE在不同干扰情况下随着迭代次数的变化情况。图6是不同估计器不同干扰情况下的差MSE随着信噪比的变化情况。在图5、图6所示的所有仿真图中，把采用SOR迭代方法进行信道估计的方法、采用PSOR迭代方法进行信道估计的方法和采用MMSE信道估计方法进行对比。并使用以下导频信号：
由于采用SOR迭代方法进行信道估计的SOR估计器和采用PSOR迭代方法进行信道估计的PSOR估计器都是通过多次迭代得到矩阵的最优解，不能得到最终信道估计结果以及估计误差结果的显示表达式，仿真所用的是信道估计的真实值。
图5反映了SOR估计器和PSOR估计器的MSE在ω＝0.6和ω＝1的情况下与迭代次数N之间的关系。在此设置信噪比为5dB。从图5中可以看出，无论是噪声受限情况下还是存在导频污染的情况下，随着迭代次数的增加，预处理SOR估计器的MSE会逐渐降低，最终都会渐近于MMSE估计器。而且从下降速度来看，ω＝0.6时PSOR估计器和SOR估计器渐近于MMSE估计器的速度要快，并且无论ω＝0.6还是ω＝1，PSOR估计器的渐进速度都要快于SOR估计器。
图6中主要描述了在ω＝0.6和ω＝1时的PSOR估计器的MSE在不同干扰情况下随着信噪比变化的变化情况，并将其与SOR估计器和MMSE估计器进行了对比。在图6(a)中，设置迭代次数为固定值N＝8，在图6(b)中设置迭代次数为固定值N＝10。从图6(a)、图6(b)中可以发现，在噪声受限的情况下，ω＝0.6和ω＝1时PSOR估计器的MSE会分别逐渐趋近于14dB和12dB，不能够趋近于MMSE估计器。但是在存在导频污染的情况下，PSOR估计器的MSE随着信噪比的增加，会同MMSE估计器一样逐渐趋于稳定，但是相比于MMSE估计器，估计精度会稍微有所下降，不过利用性能的略微降低，却使得计算复杂度降低了一个量级，达到了估计性能和计算复杂度之间的平衡。并且相比于SOR估计器，无论是噪声受限还是存在导频污染的情况，其性能都要优于SOR估计器。而且在β＝1时，PSOR估计器的MSE随着信噪比的增加，也可以说是可以达到MMSE的估计精度，因此PSOR估计器比较适用于存在导频污染的情况。
上述方案，终端根据接收到的导频信号构建向量形式的信道估计模型；构建所述信道估计模型对应的信道矩阵线性模型；构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。终端通过对信道协方差矩阵求逆过程转换为对信道矩阵线性模型进行求解，从而降低信道估算的计算复杂度。
终端对信道矩阵线性模型中的系数矩阵进行分裂运算，根据至少两个分裂矩阵以及信道矩阵线性模型，构建信道矩阵线性模型对应的信道矩阵线性迭代模型，能够加快信道矩阵线性迭代模型的收敛速度，进一步降低信道估算的计算复杂度，以及能够加快计算效率。
以上实施例，虽然在利用PSOR迭代法进行近似求解的过程中还是包含有求逆运算，但是，是对一个三角矩阵进行求逆，其计算复杂度为O(M2)，M为经过克罗内克模型变换之后信道协方差矩阵的维度，M＝NrNt，而且由于PSOR迭代法的迭代步长是固定不变的，所以对三角矩阵的求逆操作只需要进行一次即可。在利用PSOR迭代法降低信道估计计算复杂度时，每一次迭代只需要M2+2M次乘法运算，也就是说PSOR迭代法整体计算复杂度为O(NM2)，N为PSOR迭代法的迭代次数。而且由于N远远大于M，都会使得信道估计的计算复杂度降低一个量级。
参见图7，图7是本发明实施例提供的一种终端的示意性框图。本实施例的终端7包括的各单元用于执行图1对应的实施例中的各步骤，具体请参阅图1以及图1对应的实施例中的相关描述，此处不赘述。本实施例的终端包括：第一建模单元710、第二建模单元720、第三建模单元730、精度计算单元740以及信道估计单元750。
第一建模单元710用于根据接收到的导频信号构建向量形式的信道估计模型。
第二建模单元720用于构建所述信道估计模型对应的信道矩阵线性模型。
第三建模单元730用于构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
精度计算单元740用于根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方。
信道估计单元750用于若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
上述方案，终端根据接收到的导频信号构建向量形式的信道估计模型；构建所述信道估计模型对应的信道矩阵线性模型；构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。终端通过对信道协方差矩阵求逆过程转换为对信道矩阵线性模型进行求解，从而降低信道估算的计算复杂度。
参见图8，图8是本发明另一实施例提供的一种终端的示意性框图。本实施例的终端8包括的各单元用于执行图4对应的实施例中的各步骤，具体请参阅图4以及图4对应的实施例中的相关描述，此处不赘述。本实施例的终端包括：第一建模单元810、第二建模单元820、第三建模单元830、精度计算单元840以及信道估计单元850。第二建模单元820包括分裂运算单元821以及迭代模型构建单元822。
第一建模单元810用于根据接收到的导频信号构建向量形式的信道估计模型。
第二建模单元820的分裂运算单元821用于对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵。
可选地，分裂运算单元821具体用于：对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到两个分裂矩阵；其中，所述两个分裂矩阵为可逆矩阵。
可选地，分裂运算单元821具体用于：对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵。
可选地，分裂运算单元821具体用于：
对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵；
计算所述三个分裂矩阵与预处理矩阵的乘积，得到新的分裂矩阵；其中，所述预处理矩阵由一个单位矩阵和一个预设的可逆矩阵组成。
第二建模单元820的迭代模型构建单元822用于根据所述至少两个分裂矩阵以及所述信道矩阵线性模型，构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
第三建模单元830用于构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
精度计算单元840用于根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方。
信道估计单元850用于若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
上述方案，终端根据接收到的导频信号构建向量形式的信道估计模型；构建所述信道估计模型对应的信道矩阵线性模型；构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。终端通过对信道协方差矩阵求逆过程转换为对信道矩阵线性模型进行求解，从而降低信道估算的计算复杂度。
终端对信道矩阵线性模型中的系数矩阵进行分裂运算，根据至少两个分裂矩阵以及信道矩阵线性模型，构建信道矩阵线性模型对应的信道矩阵线性迭代模型，能够加快信道矩阵线性迭代模型的收敛速度，进一步降低信道估算的计算复杂度，以及能够加快计算效率。
以上实施例，虽然在利用PSOR迭代法进行近似求解的过程中还是包含有求逆运算，但是，是对一个三角矩阵进行求逆，其计算复杂度为O(M2)，M为经过克罗内克模型变换之后信道协方差矩阵的维度，M＝NrNt，而且由于PSOR迭代法的迭代步长是固定不变的，所以对三角矩阵的求逆操作只需要进行一次即可。在利用PSOR迭代法降低信道估计计算复杂度时，每一次迭代只需要M2+2M次乘法运算，也就是说PSOR迭代法整体计算复杂度为O(NM2)，N为PSOR迭代法的迭代次数。而且由于N远远大于M，都会使得信道估计的计算复杂度降低一个量级。
参见图9，图9是本发明再一实施例提供的一种终端示意框图。如图所示的本实施例中的终端9可以包括：一个或多个处理器901；一个或多个输入设备902，一个或多个输出设备903和存储器904。上述处理器901、输入设备902、输出设备903和存储器904通过总线905连接。存储器902用于存储计算机程序，所述计算机程序包括程序指令，处理器901用于执行存储器902存储的程序指令。其中，处理器901被配置用于调用所述程序指令执行：
根据接收到的导频信号构建向量形式的信道估计模型；
构建所述信道估计模型对应的信道矩阵线性模型；
构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；
根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；
若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
可选地，处理器901具体用于：对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵；根据所述至少两个分裂矩阵以及所述信道矩阵线性模型，构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
可选地，处理器901具体用于：对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到两个分裂矩阵；其中，所述两个分裂矩阵为可逆矩阵。
可选地，处理器901具体用于：对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵。
可选地，处理器901还具体用于：计算所述三个分裂矩阵与预处理矩阵的乘积，得到新的分裂矩阵；其中，所述预处理矩阵由一个单位矩阵和一个预设的可逆矩阵组成。
应当理解，在本发明实施例中，所称处理器901可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备902可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备903可以包括显示器(LCD等)、扬声器等。
该存储器904可以包括只读存储器和随机存取存储器，并向处理器901提供指令和数据。存储器904的一部分还可以包括非易失性随机存取存储器。例如，存储器904还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器901、输入设备902、输出设备903可执行本发明实施例提供的信道估计方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
进一步地，在本发明的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现：
根据接收到的导频信号构建向量形式的信道估计模型；
构建所述信道估计模型对应的信道矩阵线性模型；
构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；
根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；
若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
可选地，所述计算机程序被处理器执行时具体可以实现：对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵；根据所述至少两个分裂矩阵以及所述信道矩阵线性模型，构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
可选地，所述计算机程序被处理器执行时具体可以实现：对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到两个分裂矩阵；其中，所述两个分裂矩阵为可逆矩阵。
可选地，所述计算机程序被处理器执行时具体可以实现：对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵。
可选地，所述计算机程序被处理器执行时还具体可以实现：计算所述三个分裂矩阵与预处理矩阵的乘积，得到新的分裂矩阵；其中，所述预处理矩阵由一个单位矩阵和一个预设的可逆矩阵组成。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种信道估计方法，其特征在于，包括：
根据接收到的导频信号构建向量形式的信道估计模型；
构建所述信道估计模型对应的信道矩阵线性模型；
构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；
根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；
若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
2.根据权利要求1所述的信道估计方法，其特征在于，所述构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型，包括：
对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵；
根据所述至少两个分裂矩阵以及所述信道矩阵线性模型，构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
3.根据权利要求2所述的信道估计方法，其特征在于，所述对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵，包括：
对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到两个分裂矩阵；其中，所述两个分裂矩阵为可逆矩阵。
4.根据权利要求2所述的信道估计方法，其特征在于，所述对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵，包括：
对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵。
5.根据权利要求3所述的信道估计方法，其特征在于，所述对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵，还包括：
计算所述三个分裂矩阵与预处理矩阵的乘积，得到新的分裂矩阵；其中，所述预处理矩阵由一个单位矩阵和一个预设的可逆矩阵组成。
6.一种终端，其特征在于，包括：
第一建模单元，用于根据接收到的导频信号构建向量形式的信道估计模型；
第二建模单元，用于构建所述信道估计模型对应的信道矩阵线性模型；
第三建模单元，用于构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型；
精度计算单元，用于根据所述信道矩阵线性模型以及所述信道矩阵线性迭代模型，计算所述信道矩阵线性模型对应的剩余向量矩阵的精度值；其中，所述剩余向量矩阵的精度值为所述剩余向量矩阵的F范数的二次方；
信道估计单元，用于若所述信道矩阵线性模型对应的剩余向量矩阵的精度值小于预设精度阈值，则将所述信道矩阵线性模型的解输入所述信道估计模型信道矩阵线性迭代模型，计算信道估计结果。
7.根据权利要求6所述的终端，其特征在于，所述第三建模单元包括：
分裂运算单元，用于对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到至少两个分裂矩阵；
迭代模型构建单元，用于根据所述至少两个分裂矩阵以及所述信道矩阵线性模型，构建所述信道矩阵线性模型对应的信道矩阵线性迭代模型。
8.根据权利要求7所述的终端，其特征在于，所述分裂运算单元具体用于：
对所述信道矩阵线性模型中的系数矩阵进行分裂运算，得到两个分裂矩阵；其中，所述两个分裂矩阵为可逆矩阵；或者
对所述信道矩阵线性模型中的系数矩阵进行随机分裂运算，得到三个分裂矩阵；其中，所述三个分裂矩阵包括所述系数矩阵对应的对角矩阵、严格下三角矩阵、严格上三角矩阵。
9.一种终端，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项的所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项的所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710636635.4A CN107566304A (zh) | 2017-07-28 | 2017-07-28 | 一种信道估计方法及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710636635.4A CN107566304A (zh) | 2017-07-28 | 2017-07-28 | 一种信道估计方法及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107566304A true CN107566304A (zh) | 2018-01-09 |
Family
ID=60974700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710636635.4A Pending CN107566304A (zh) | 2017-07-28 | 2017-07-28 | 一种信道估计方法及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107566304A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116366405A (zh) * | 2023-03-17 | 2023-06-30 | 哈尔滨工业大学（深圳） | 面向高移动性通信的大规模mimo信道估计方法、基站 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102257778A (zh) * | 2011-06-07 | 2011-11-23 | 华为技术有限公司 | 信道质量估计方法、装置及无线接收机 |
| CN103023548A (zh) * | 2011-09-28 | 2013-04-03 | 中兴通讯股份有限公司 | 一种信道矩阵信息的估计和反馈的方法和装置 |
| CN106059645A (zh) * | 2016-05-18 | 2016-10-26 | 郑州大学 | 大规模mimo系统中低复杂度信道估计方法 |
| CN106330284A (zh) * | 2016-08-16 | 2017-01-11 | 东南大学 | 一种低复杂度大规模mimo信道估计方法 |
| CN106789763A (zh) * | 2016-06-30 | 2017-05-31 | 北京展讯高科通信技术有限公司 | Mimo系统的信道估计方法及装置、基站 |
-
2017
- 2017-07-28 CN CN201710636635.4A patent/CN107566304A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102257778A (zh) * | 2011-06-07 | 2011-11-23 | 华为技术有限公司 | 信道质量估计方法、装置及无线接收机 |
| CN103023548A (zh) * | 2011-09-28 | 2013-04-03 | 中兴通讯股份有限公司 | 一种信道矩阵信息的估计和反馈的方法和装置 |
| CN106059645A (zh) * | 2016-05-18 | 2016-10-26 | 郑州大学 | 大规模mimo系统中低复杂度信道估计方法 |
| CN106789763A (zh) * | 2016-06-30 | 2017-05-31 | 北京展讯高科通信技术有限公司 | Mimo系统的信道估计方法及装置、基站 |
| CN106330284A (zh) * | 2016-08-16 | 2017-01-11 | 东南大学 | 一种低复杂度大规模mimo信道估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李臣阳: "大规模MIMO系统低复杂度信道估计", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116366405A (zh) * | 2023-03-17 | 2023-06-30 | 哈尔滨工业大学（深圳） | 面向高移动性通信的大规模mimo信道估计方法、基站 |
| CN116366405B (zh) * | 2023-03-17 | 2023-11-07 | 哈尔滨工业大学（深圳） | 面向高移动性通信的大规模mimo信道估计方法、基站 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102546088B (zh) | 一种块对角化预编码方法及装置 | |
| Sun et al. | A leakage-based MMSE beamforming design for a MIMO interference channel | |
| Kumar et al. | Random matrix model for Nakagami–Hoyt fading | |
| CN109560846A (zh) | 一种基于模型驱动深度学习的三维预编码方法 | |
| Zhang et al. | Efficient sparse code multiple access decoder based on deterministic message passing algorithm | |
| CN105406905B (zh) | 用户配对处理方法、装置及基站 | |
| CN107566304A (zh) | 一种信道估计方法及终端 | |
| CN105978609A (zh) | 一种相关信道下大规模mimo线性检测硬件构架及方法 | |
| CN107483090B (zh) | 基于ldlt分解的大规模mimo系统预编码实现方法 | |
| CN110635833B (zh) | 一种基于深度学习的功率分配方法及分配装置 | |
| Lin et al. | Accelerating Next-G Wireless Communications with FPGA-Based AI Accelerators | |
| CN115834303B (zh) | 自适应频域信道估计方法、装置、通信设备和存储介质 | |
| CN106911369A (zh) | 下行信道重构方法以及装置 | |
| CN103379055B (zh) | 干扰抑制合并方法和装置 | |
| Huang et al. | Towards scalable network emulation: Channel accuracy versus implementation resources | |
| CN111356151A (zh) | 一种数据处理方法及装置、计算机可读存储介质 | |
| CN103906252A (zh) | 虚拟多输入多输出用户配对方法、系统及基站 | |
| Vanidevi et al. | Fast iterative WSVT algorithm in WNN minimization problem for multiuser massive MIMO channel estimation | |
| Zhang et al. | Optimal pilot length for uplink massive MIMO systems with pilot reuse | |
| Zhang et al. | Low complexity WSSOR-based linear precoding for massive MIMO systems | |
| Mukubwa et al. | Efficient and low‐complexity matrix inversion scheme for massive multiple‐input multiple‐output systems using rapid numerical algorithms | |
| CN105262708B (zh) | 基于导频信道估计的mimo系统软检测方法 | |
| CN105337692A (zh) | 下行信道预编码方法与装置 | |
| Gao et al. | Implementation of massive MIMO uplink receiver on rapro prototyping platform | |
| CN104753618B (zh) | 一种无线信道建模方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |