CN108023843A

CN108023843A - 基于1比特adc的大规模mimo系统的自适应量化信道估计方法

Info

Publication number: CN108023843A
Application number: CN201711290318.8A
Authority: CN
Inventors: 方俊; 王涵宇; 王飞宇; 陈智
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2017-12-08
Filing date: 2017-12-08
Publication date: 2018-05-11

Abstract

本发明属于无线通信技术领域，提供一种基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法，用以提高信道估计性能、降低均方误差；本发明首先给定一组实数结构化的导频序列A，设定初始量化门限τ⁽⁰⁾＝0，定义迭代计数t＝0，迭代次数上限T_max；然后由量化门限得到量化信号：b_n＝sgn(y_n‑τ_n),n＝1,…,N；基于量化信号求解最大似然估计：在每次迭代过程中依据当前信道估计，自适应地更新量化门限：最终在迭代计数t到达T_max时，输出最终信道估计值本发明通过自适应更新策略对1比特ADC量化门限进行自适应量化，从而有效改善信道估计的准确性，使信道估计MSE显著降低，并逼近优化量化门限的理论最优值；导频序列越长，信道估计方法的性能也越好。

Description

基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法

技术领域

本发明属于无线通信(wireless communication)技术领域，特别涉及一种基于量化门限优化的1比特模数转换器(analog to digital converter，简称ADC)的大规模MU-MIMO上行链路信道估计方法，用以降低均方误差(mean squared error，简称MSE)。

背景技术

为满足现代通信的数据传输速率等性能要求，通过增加基站天线数量构建大规模MIMO系统就是一种有效的技术手段，同时其也是第五代移动通信中最具潜力的研究内容之一；然而对于一般的MIMO系统而言，在后续的数字信号处理之前，每个天线单元都需要连接一个高分辨率的ADC，但ADC功耗会随着分辨率的增加而产生指数级的增长，此外ADC的硬件成本也会随之大大增加。为解决这一问题就需要在大规模MIMO系统的天线单元中引入低分辨率ADC，如1比特ADC；这就使得在大规模MIMO系统中，设计一种有效的基于1比特ADC量化下的信道估计方法显得尤为重要。然而，目前对于大规模MIMO的上行信道估计问题，现有的1比特ADC的MIMO系统的信道估计一般是在基于0量化门限的设定下进行的，其性能较差，估计值均方误差(mean squared error,简称MSE)有待提高。

发明内容

本发明的目的在于提供基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法，用以提高基于1比特ADC的大规模MIMO系统的上行链路信道估计性能；为实现该目的，本发明采用的技术方案为：

基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法，其特征在于，包括以下步骤：

步骤1、给定一组实数结构化的导频序列A，代表A的第n行、n＝1,…,N，其中，为发射天线数量、L为导频序列长度；

步骤2、基于噪声功率σ²设置初始参数σ；定义τ^(t)表示第t次迭代的量化门限，并初始量化门限τ⁽⁰⁾＝0，迭代计数t＝0，迭代次数上限T_max；

步骤3、由设定的量化门限得到量化信号：

其中，表示τ^(t)的第n元、n＝1,…,N，其中，y_n表示向量化接收信号y的第n元；

步骤4、基于量化信号作信道最大似然估计，基于搜索方法求解最优化问题：

其中，

步骤5、判定若t+1＜T_max、则执行步骤6，否则结束循环并输出最终信道估计

步骤6、更新量化门限：

步骤7、令t＝t+1、并返回步骤3。

本发明的有益效果在于：

本发明提供一种基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法，通过自适应交替更新优化量化门限，同时采用正交导频设计规则，从而有效改善信道估计的准确性，使信道估计MSE相对于固定量化门限的策略显著降低，且MSE可以逼近优化量化门限的理论最优值；导频序列越长，信道估计方法的性能也越好。

附图说明

图1为本发明基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法流程图。

图2为本发明实施例中1比特ADC大规模MU-MIMO系统上行链路框图。

图3为本发明实施例中基于采样保持电路实现的自适应量化接收机框图。

图4为本发明实施例中信道估计值的MSE与迭代次数关系仿真曲线图。

图5为本发明实施例中信道估计值MSE，CRB与导频序列长度关系图。

图6为本发明实施例中信道估计值MSE，CRB与SNR关系图。

具体实施方式

下面结合附图和实施例对本发明进行进一步详细说明。

本发明中，通过分析信道最大似然估计问题的克拉美罗界(Cramér–Rao bound，简称CRB)可以发现估计步骤的有效性性能与ADC的门限参数有关，即ADC的门限参数设置将会影响信道估计方法的性能，同时在最优门限设计下的最优导频设计规则为正交导频设计。本发明中，将使用1比特ADC大规模MU-MIMO上行链路的信道估计问题建模为一个最大似然估计问题，同时利用自适应交替更新量化门限参数的优化方法对量化门限参数进行优化，并采用正交导频，由此能够使得1比特模数转换器大规模MU-MIMO上行链路的信道估计结果的MSE显著下降。

本实施例提供一种基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法，用于降低基于1比特ADC的大规模MU-MIMO系统上行链路信道估计的MSE，为描述方便，下述实施例将建立以下系统模型来进行说明：

采用1比特ADC的MU-MIMO系统上行链路的系统框图如图2所示，其中，基站配备有M根发射天线，同一时刻服务的单天线用户数为K，且K＜＜M，每一个RF链路后接收的两路正交信号分别通过1比特ADC量化。通信模型建模中，信道衰落在一定相关时间内不变，设为接收信号，是每一行为对应用户的长度为L的导频序列的训练矩阵，为信道矩阵，为零均值方差2σ²的复高斯分布加性白噪声，即复高斯白噪声的功率为2σ²，为量化门限，B为接收信号量化后得到的数据；由此量化接收过程建模为：

Y＝HX+W

其中，表示取实部运算，表示取虚部运算；

通过实数化上述模型有：

其中，

进一步将接收信号向量化有：

y＝Ah+w

其中，vec(·)表示矩阵向量化运算，I_M表示M阶单位阵；显然有

则向量化的1比特量化过程如下

b＝sgn(y-τ)

其中，为书写方便作如下规定，令b_n、y_n、τ_n、w_n分别代表b、y、τ、w的第n元，令代表A的第n行，则有：

将基于最大似然估计的1比特ADC的大规模MU-MIMO系统上行链路信道估计的问题建模为：

其中，F_w(·)为零均值方差σ²的高斯分布的分布函数；

基于上述极大似然估计问题，继续分析其CRB如下，首先可以得到Fisher矩阵表示如下

其中，g(τ_n,a_n)定义如下，

其中，f_w(·)和F_w(·)分别是零均值方差σ²高斯分布的概率密度函数和分布函数，即

相应估计问题的CRB矩阵则为Fisher矩阵的逆矩阵，则基于估计问题CRB的量化门限优化问题则表示如下：

其中，tr(XX^H)≤P是导频信号的传输功率约束；固定导频序列矩阵，通过分析可以得到量化门限的最优规则如下：

再将最优量化门限代入CRB的优化问题可得到目标函数的最小值为πσ²MK²/P，优化目标取到最小值导频矩阵X的条件，即最优导频的产生规则为：

XX^H＝(P/K)I_K，I_K为表示K阶单位阵

仿真中，设该MIMO系统的基站有M＝64根发射天线，服务K＝8个单天线用户。信道矩阵H各元服从相互独立的零均值复高斯分布，设P为信号传输功率约束，随机产生导频序列矩阵X并使之满足XX^H＝(P/K)I_K。

基于上述所构建模型及定义，本发明提供了基于自适应更新1比特ADC量化门限的方法来实现信道估计，以降低信道估计结果的MSE。

本发明的目的通过如下步骤实现：

S1、给定一组实数结构化的导频序列A，对于经过相同信道h的信号y作信道最大似然估计和优化量化门限的交替更新，就可以降低信道估计的MSE；

S2、基于噪声功率σ²，设置初始参数σ，初始量化门限τ⁽⁰⁾＝0，迭代计数t＝0，本实施例中迭代次数上限T_max＝5；

S3、由设定的量化门限得到量化信号

S4、基于量化信号作信道最大似然估计，基于搜索方法求解最优化问题：

其中，

S5、若t+1＜T_max，则执行步骤S6，否则结束循环并输出最终信道估计

S6、基于本次迭代的估计值依如下规则优化量化门限，

S7、令t＝t+1并返回步骤S3。

经过上述操作，就完成了对H的估计。

需要注意的是，本发明中直接通过多次采样实现自适应更新量化需要满足信道状态符合缓慢时变的特征前提；如图3所示，本实施例另给出了不需要信道状态缓慢时变特征前提的实现方案，即应用采样保持电路的自适应量化1比特接收机，其中，每个RF射频链路后连接2T个采样保持(S/H)电路用以存储信号的实部与虚部，对应每个RF射频链路后仍只连接个1比特ADC，通过一个开关电路以实现离线的自适应量化信道估计；该方案适用于信道状态特征不满足缓慢时变的通信场景，但一定程度上会提高接收机电路的复杂度。

下面将利用了不进行优化量化门限的1比特ADC的信道最大似然估计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。

采用均方误差(mean squared error,简称MSE)作为衡量指标来度量算法的性能。仿真实验中的信道估计的MSE定义为

图4、图5及图6中CRB-OQ、CRB-NQ、CRB-FQ分别指代最优量化门限的量化策略、无量化过程、固定量化门限为0下的CRB；MLE-AQ、MLE-NQ、MLE-FQ、分别指代使用自适应量化门限策略、无量化过程、固定量化门限为0信道估计结果的MSE。图4描述了信道估计值的MSE与迭代次数关系，从图中可以看出，本发明通过5次迭代即可逼近最优量化门限性能。图5描述了在各个量化策略下，信道极大似然估计MSE、CRB与导频序列长度的关系，从图中可以看出，各个量化策略下的MSE随着导频序列长度的增加逼近CRB，通过优化门限来降低CRB可以有效地改善信道估计的MSE，此外对于相同的MSE精度，自适应量化策略所需的导频序列长度要远小于固定量化策略。综合图4、图5与图6的仿真结果，采用自适应更新量化门限策略相较于固定量化门限为0的量化策略可以明显地改善信道估计的MSE性能。其中最优化量化门限的CRB非常逼近无量化过程信道估计的CRB，而自适应更新量化门限策略可以逼近最优化量化门限的CRB。此外，需要注意的是，使用自适应更新量化门限策略需要满足信道状态符合缓慢时变的特征前提或增加额外的硬件电路以实现多次迭代。

综上所述，本发明是在采用1比特ADC的大规模MU-MIMO系统中，通过自适应优化量化门限的方法来实现信道估计，以改善信道估计的准确性；通过自适应交替更新优化量化门限，能够使得信道估计MSE相对于固定量化门限的策略有显著降低，同时自适应量化策略在数次迭代后能够逼近最优门限的效果；在使用正交导频或导频序列越长的情况下，信道估计算法的性能也越好。

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

1.基于1比特ADC的大规模MIMO系统的自适应量化信道估计方法，其特征在于，包括以下步骤：

步骤1、给定一组实数结构化的导频序列A，代表A的第n行、n＝1,…,N，其中，M为发射天线数量、L为导频序列长度；

步骤3、由设定的量化门限得到量化信号：

<mrow> <msup> <mover> <mi>h</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msup> <mo>=</mo> <munder> <mi>argmax</mi> <mi>h</mi> </munder> <munderover> <mo>&Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <mo>{</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <msubsup> <mi>b</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msubsup> </mrow> <mn>2</mn> </mfrac> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mo>&lsqb;</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>F</mi> <mi>w</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>n</mi> <mi>T</mi> </msubsup> <msup> <mi>h</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> <mo>-</mo> <msubsup> <mi>&tau;</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>&rsqb;</mo> <mo>+</mo> <mfrac> <mrow> <mn>1</mn> <mo>+</mo> <msubsup> <mi>b</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msubsup> </mrow> <mn>2</mn> </mfrac> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mo>&lsqb;</mo> <msub> <mi>F</mi> <mi>w</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>n</mi> <mi>T</mi> </msubsup> <msup> <mi>h</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> <mo>-</mo> <msubsup> <mi>&tau;</mi> <mi>n</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>&rsqb;</mo> <mo>}</mo> </mrow>

其中，

步骤6、更新量化门限：

步骤7、令t＝t+1、并返回步骤3。