CN108494449B - 大规模mimo高速移动场景下角度域信道追踪方法 - Google Patents
大规模mimo高速移动场景下角度域信道追踪方法 Download PDFInfo
- Publication number
- CN108494449B CN108494449B CN201810245788.0A CN201810245788A CN108494449B CN 108494449 B CN108494449 B CN 108494449B CN 201810245788 A CN201810245788 A CN 201810245788A CN 108494449 B CN108494449 B CN 108494449B
- Authority
- CN
- China
- Prior art keywords
- channel
- time
- angle
- user
- tracking
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 9
- 108091006146 Channels Proteins 0.000 description 197
- 238000004891 communication Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical group C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001168730 Simo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000002020 sage Nutrition 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
- Radio Transmission System (AREA)
Abstract
本发明公开了大规模MIMO高速移动场景下角度域信道追踪方法,包括以下步骤:获取初始信道状态信息;获取用户位置;获取角度相关时间;用户分组与导频复用:根据用户的活跃波束集进行分组,分组的方法为同一组内的任意两个用户的活跃波束集的交集为空集,为不同的组分配正交导频序列,同一组内用户复用同一导频;角度域信道追踪:对信道进行离散傅里叶变换并追踪用户最强波束的波束增益,利用相邻时刻的时间相关性建立相邻时间间隔内信道追踪的状态空间,构建角度域信道状态空间,对当前时刻信道增益进行预测或修正,实现角度域信道追踪。本发明可以有效降低导频发送次数和导频序列长度,从而减小导频开销。有效降低信道训练的计算复杂度。
Description
技术领域
本发明属于无线通信技术领域,涉及无线通信中的信道估计技术,为一种用户高速移动场景下的角度域信道追踪方法,尤其涉及大规模MIMO高速移动场景下角度域信道追踪方法。
背景技术
在高铁无线通信中,列车时速高达300公里/小时。信道呈现快速时变特性。传统的信道训练方法难以有效获取信道状态信息。“T.Li,X.Wang,P.Fan and T.Riihonen,``Position-Aided Large-Scale MIMO Channel Estimation for High-Speed RailwayCommunication Systems,”in IEEE Transactions on Vehicular Technology,vol.66,no.10,pp.8964-8978,Oct.2017.”,“X.Chen, J.Lu,T.Li,P.Fan and K.B.Letaief,``Directivity-Beamwidth Tradeoff of Massive MIMO Uplink Beamforming for HighSpeed Train Communication,”in IEEE Access,vol.5,pp.5936-5946, 2017.”。信道追踪技术是一种用于高速移动场景中的信道训练技术。通过利用高铁通信中的固有特性,如运动轨迹固定,速度可预测,获取瞬时信道状态信息。“Cheng,M.,Fang,X. ``High-speedrailway channel measurements and characterizations:a review,”J.of ModernTransp., vol.20,no.4,pp.199-205,2012.”,“T.Zhou,C.Tao,L.Liu,H.Wen and N.Zhang,``Virtual SIMO Measurement-Based Angular Characterization in High-SpeedRailway Scenarios,”2017IEEE 85th Vehicular Technology Conference(VTC Spring),Sydney,NSW,2017,pp.1-5.”。
文献“C.Zhang,J.Zhang,Y.Huang and L.Yang,``Location-aided channeltracking and downlink transmission for HST massive MIMO systems,”in IETCommunications,vol.11,no.13, pp.2082-2088,9 7 2017.”针对大规模MIMO高铁无线通信场景提出了一种基于卡尔曼滤波的信道追踪方案。该方案利用信道的时间相关性和位置信息,构建卡尔曼方程,从而预测和修正信道状态信息。文献“T.Li,X.Wang,P.Fan andT.Riihonen,``Position-Aided Large-Scale MIMO Channel Estimation for High-Speed Railway Communication Systems,”in IEEE Transactions on VehicularTechnology,vol.66,no.10,pp.8964-8978,Oct.2017.”针对大规模 MIMO高铁通信场景提出一种位置信息辅助的信道追踪方案。该方案使用部分发送天线发送导频信号,并结合天线空时相关性重构天线阵列的信道状态信息。
通过利用高铁通信中信道的时间、空间相关性,信道追踪方案能够有效降低训练开销。现阶段已有的专利成果如下:
1.中国铁路通信信号股份有限公司提出的一种高速移动环境下信道估计方法,基于 OFDM无线通信系统,采用基于导频的信道估计方法。该方法包括:①接收机将OFDM解调后的数据映射成时频二维数据块,以矩阵的形式储存;②计算数据矩阵中导频点处对应的信道状态信息;③利用数据矩阵中导频点处对应的信道状态信息,通过时频二维内插获得数据处对应的信道状态信息。本发明能够有效对抗高速移动环境下宽带无线通信导致的时间频率双重选择性信道,提高信道估计的准确度。
2.重庆大学提出的一种基于卡尔曼滤波器的MIMO信道估计方法。首先,基于卡尔曼滤波的MIMO信道估计方法构造的信道观测方程是一组欠定方程,难以实现对状态变量的估计,通过假设多个相邻OFDM符号的信道频域响应近似相等,利用天线阵列的空时互易性,连续观测多个符号时间上的接收信号,从而构造出一组正定的观测方程。其次,根据Jacks信道模型,构造卡尔曼滤波器的状态空间模型。最后,利用卡尔曼滤波器估计得到信道频域响应。该发明利用天线阵列的空时互易性,解决了MIMO信道下难以利用卡尔曼滤波器进行信道估计的问题。由于卡尔曼滤波器具有自适应追踪信道时域变化的能力,因此本发明能够提升系统的信道估计精度。
3.电子科技大学提出一种涉及高速移动环境下分布式多输入多输出系统联合频偏和信道估计算法。本发明的目的是为了解决分布式MIMO系统的频偏和信道联合估计由慢时变信道向快时变信道推过时遇到的问题,提出了一种高速移动环境下的分布式MIMO系统频偏和信道联合估计的方法,包括:构建系统模型、初始化、计算隐藏数据空间的期望、最大化隐藏数据空间的期望、更新频偏值、更新信道值、重复迭代直到估计值满足要求。本发明从慢变条件下的分布式MIMO系统的联合频偏信道估计算法出发,分析高速移动条件给系统带来的影响,然后采用采用基于SAGE迭代的方法克服高速移动带来的影响,使系统在高速移动环境下获得较好的参数估计性能。
4.电子科技大学提出一种涉及高速下基于ECM的分布式MIMO频偏和信道估计方法,包括:构建系统模型;初始化;计算完备数据空间的期望;最大化完备素具空间的期望;更新频偏值;更新信道值;重复迭代知道估计值满足要求。本发明从慢变条件下的分布式MIMO 系统的联合频偏信道估计算法出发,分析高速移动条件给系统带来的影响,然后采用基于相关的方法进行联合频偏和信道估计的初始化进而采用基于ECM迭代的方法克服高速移动带来的影响,使系统在高速移动环境下获得较好的参数估计性能。
现有的信道追踪方案没有考虑导频开销和高维信道估计的计算复杂度。为确保导频序列的正交性,在时分复用(time division duplex,TDD)大规模MIMO系统中导频序列的长度需要大于用户数。在频分多址(frequency division duplex,FDD)大规模MIMO系统中,序列长度需大于基站天线数。高铁通信场景下,频繁的信道训练将带来巨大的导频开销。此外,由于相干时间缩短,信道训练次数增加,大规模MIMO信道的高维特性将给基站带来巨大的计算复杂度。因此,应将导频开销和计算复杂度纳入信道追踪方案的考虑范围。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足提供一种大规模MIMO高速移动场景下角度域信道追踪方法,本大规模MIMO高速移动场景下角度域信道追踪方法可以有效降低导频发送次数和导频序列长度,从而减小导频开销。同时压缩大规模MIMO信道维度,有效降低信道训练的计算复杂度。
为实现上述技术目的,本发明采取的技术方案为:
一种大规模MIMO高速移动场景下角度域信道追踪方法,包括以下步骤:
步骤1:获取初始信道状态信息;
步骤2:获取用户位置:通过初始信道状态信息和离散傅里叶变换进行波束对准,获获取最优波束旋转角和最强波束序号,从而计算用户初始到达角,通过计算不同用户的位置信息,获得角度波束成形矩阵;
步骤3:获取角度相关时间:定义角度相关时间为用户移动过程中角度变化不超过分辨率的持续时间,根据初始位置信息、相干时间以及基站天线分辨率计算角度相关时间;
步骤4:用户分组与导频复用:利用用户位置信息计算用户的活跃波束集,定义活跃波束集为包含至少95%信道能量的波束集合,根据用户的活跃波束集进行分组,分组的方法为同一组内的任意两个用户的活跃波束集的交集为空集,为不同的组分配正交导频序列,同一组内用户复用同一导频;
步骤5:角度域信道追踪:对信道进行离散傅里叶变换并追踪用户最强波束的波束增益,利用相邻时刻的时间相关性建立相邻时间间隔内信道追踪的状态空间,通过相邻时间间隔内信道追踪的状态空间和角度波束成形矩阵构建角度域信道状态空间,对当前时刻信道增益进行预测或修正,实现角度域信道追踪。
作为本发明进一步改进的技术方案,所述的步骤5中所述的构建角度域信道状态空间包括以下步骤:
n时刻第k个用户,(1≤k≤K),与基站的信道模型为:
其中L表示散射路径数,αk,l,n表示阵列响应增益,a(θk,l,n)为第l条散射路径阵列响应:
其中θk,l,n为n时刻第k个用户的第l条散射路径到达角,j为虚部,d为天线间隔,λ为载波波长,M为基站天线数;
相邻时刻的时间相关性性由时间相关系数ρ0表示,根据杰克模型,ρ0=J0(2πfDT0),其中T0为追踪间隔,fD为最大多普勒频移,J0(·)为第一类零阶贝塞尔函数,当前n+1时刻的阵列响应增益与n时刻的关系为:
其中βk,l,n是与αk,l,n独立同分布的复高斯随机变量,将公式(3)代入信道模型中得到当前n+1时刻第k个用户和基站间的信道为:
其中表示信号到达角的变化,为n 时刻第k个用户和基站间第l条散射路径信道,ck,l,n+1=βk,l,n+1Tk,l,na(θk,l,n+1),由于在角度相关时间内,用户位置信息不发生改变,因此Tk,l,n简化为单位阵,当前n+1时刻第k个用户和基站间的信道简化为:
当用户发送导频时,基站接收到的导频信号为:
其中τ为导频序列长度,pτ为导频符号功率,所述公式(7)为当前n+1时刻信道的测量方程,预测方程和测量方程构成全维度信道的状态空间,即相邻时间间隔内信道追踪的状态空间;
作为本发明进一步改进的技术方案,所述的步骤5中所述的对当前时刻信道增益进行预测或修正包括以下步骤:
通过角度域信道状态空间获取5个卡尔曼方程:
pk,n+1|n+1=(1-kgτpτ)pk,n+1|n公式(15);
其中公式(11)中的为当前n+1时刻角度域信道的预测,为上一时刻角度域信道的最优估计;公式(12)中的pk,n+1|n为当前n+1时刻角度域信道均方误差的预测,pk,n|n为上一时刻角度域信道均方误差的最优估计,Rk,n为上一时刻全维信道的协方差矩阵;公式(13)中为当前n+1时刻角度域信道的最优估计;公式(14)中的kg为卡尔曼因子,为噪声方差;公式(15)中的pk,n+1|n+1为当前n+1 时刻角度域信道均方误差的最优估计;
角度域信道追踪的步骤为:
(b)计算公式(11)和公式(12),对当前n+1时刻的CTn+1,0≤n≤M-1进行信道预测,若累计误差pk,n+1|n≤Vt,a,且瞬时信噪比跳变量△ηk,n+1≤Vr,a,则将当前n+1时刻的信道预测值视为最优估计值,即
执行步骤(d),否则,视为信道发生突变,执行步骤(c);
(d)对下一时刻进行预测。
本发明的有益效果为:本发明针对大规模MIMO高速移动场景下信道估计导频开销大和计算复杂度高等问题,提出了角度域信道追踪方案。本发明在进行信道追踪过程中,利用信道的时间相关性构建角度域卡尔曼方程。在每个角度相关时间DOAT内,利用卡尔曼方程对信道进行预测或修正。当累积估计误差不超过门限,且未发生信道突变时,将预测值视为最优估计。预测过程无需发送导频;当累积误差超过门限,或信道发生突变时,利用导频信号对预测值进行修正。最后根据估计值重构全维度信道。本发明高速移动场景下角度域信道追踪方案具有减小导频开销和计算复杂度等特点,适用于大规模MIMO高速移动通信场景。
附图说明
图1是本发明的角度域信道追踪流程示意图。
图2是本发明的大规模MIMO高铁无线通信系统模型示意图。
图3是本发明的信道训练整体流程示意图。
图4是本发明的导频复用过程中不同用户空间正交性示意图。
图5是本发明的估计信道归一化均方误差性能图。
图6是本发明的不同信道估计方法情况下高铁通信速率性能图。
具体实施方式
下面根据图1至图6对本发明的具体实施方式作出进一步说明:
参见图3,一种大规模MIMO高速移动场景下角度域信道追踪方法,包括以下步骤:
步骤1:获取初始信道状态信息:基站采用传统训练方案,如最小均方误差,获取初始信道状态信息;
步骤2:获取用户位置:通过初始信道状态信息和离散傅里叶变换进行波束对准,获获取最优波束旋转角和最强波束序号,从而计算用户初始到达角(direction ofarrival,DOA),通过计算不同用户的位置信息,获得角度波束成形矩阵;
步骤3:获取角度相关时间(DOAT):由于基站天线阵列的角度分辨率有限,定义角度相关时间(DOAT)为用户移动过程中角度变化不超过分辨率的持续时间,根据高铁初始位置信息(用户与基站水平距离)、相干时间以及基站天线分辨率计算DOAT;
步骤4:用户分组与导频复用:利用用户天线(高铁置顶天线)空间分离、间隔固定特性,对用户进行分组。首先利用位置信息计算用户的活跃波束集,定义活跃波束集为包含至少95%信道能量的波束集合,根据用户的活跃波束集进行分组,分组的方法为同一组内的任意两个用户的活跃波束集的交集为空集,从而组内用户间干扰近似为零,最后,为不同的组分配正交导频序列,同一组内用户复用同一导频;对于TDD系统,各组导频序列长度不少于组内用户数;
步骤5:角度域信道追踪:“角度域”指对信道进行离散傅里叶变换,并追踪用户最强波束的波束增益;“追踪”指利用时间相关性建立信道状态空间,利用卡尔曼方程对该时刻波束增益进行预测或修正。即对信道进行离散傅里叶变换并追踪用户最强波束的波束增益,利用相邻时刻的时间相关性建立相邻时间间隔内信道追踪的状态空间,通过相邻时间间隔内信道追踪的状态空间和角度波束成形矩阵构建角度域信道状态空间,对当前时刻信道增益进行预测或修正,实现角度域信道追踪。
首先确定相邻时刻时间相关系数ρ。根据杰克模型,ρ=J0(2πfDT)。为使相邻时刻信道具有高相关性,设置追踪间隔为T0(为统一表述,ρ改为ρ0)。
其次,建立相邻追踪间隔内信道的状态方程。利用ρ0建立预测方程,根据接收导频信号建立测量方程。预测方程与测量方程构成信道追踪的状态空间。在此基础上,利用步骤2 中计算的角度波束成形矩阵将两个方程转化为角度域方程,从而构建角度域信道状态空间。
最后利用角度域状态空间获取5个角度域卡尔曼方程,即当前时刻信道增益的预测式和最优估计、当前时刻估计误差的预测式和最优估计、卡尔曼因子。利用获取的角度域信道增益最优估计,重构全维信道。
现对步骤2、步骤3、步骤4和步骤5进行详细说明,步骤2中获取用户位置信息包括以下步骤:
对进行NM点快速傅里叶变换(fast fourier transform,FFT),所得过采样信号为则未经旋转的DFT信道的最强波束增益与波束增益关系为从第((ik-2)N+1)个FFT点至第(ikN+1)个FFT点的区间范围内,将三个正交波束(第(ik-2)N+1个FFT点,第(ik-1)N+1个FFT点,第 ikN+1个FFT点)按区间步长进行N次位移,搜索最强波束增益及最优位移:n。则最优旋转角可表示为:
步骤3中获取角度相关时间(DOAT)包括以下步骤:
步骤4中用户分组与导频复用包括以下步骤:
在高铁前进过程中,用户(高铁置顶天线)具有等间隔特性。参考图2实例,图2中相邻用户间隔设为25米(高铁车厢长度),基站到高铁间垂直距离为500米。计算可得相邻用户角度间隔为△DOA≈3°。设用户k的活跃波束集为Bk,a,该集合包含至少95%信道增益。各用户活跃波束集分布如图4所示。因角度扩展,相邻用户间存在干扰。为实现导频复用,现对用户进行分组。分组步骤如下:
(1)根据步骤2进行波束对准,获取各用户活跃波束集Bk,a;
(3)确认组数G:将用户2至用户K按从小到大的顺序依次进行如下操作:计算 Bk,a∩B1,a,若计算结果首次为空集,结束比较。组数为G=k-1。
(4)对于任意用户k,1≤k≤K,若rem(k-g,G)=0,则该用户分入第g组。
所述的步骤5中角度域信道追踪包括以下步骤:
根据图1,角度域信道追踪包括以下子步骤:建立状态空间、信道预测及修正、全维信道的重建。
(1)构建角度域信道状态空间:
受多普勒影响,高速移动场景下n时刻第k个用户,(1≤k≤K),与基站的上行信道模型为:
其中L表示散射路径数,αk,l,n表示阵列响应增益,a(θk,l,n)为第l条散射路径阵列响应:
其中θk,l,n为n时刻第k个用户的第l条散射路径到达角,j为虚部,d为天线间隔,λ为载波波长,M为基站天线数。
相邻时刻的时间相关性性由时间相关系数ρ0表示。根据杰克模型,ρ0=J0(2πfDT0),其中T0为追踪间隔,fD为最大多普勒频移,J0(·)为第一类零阶贝塞尔函数,当前n+1时刻的阵列响应增益与n时刻的关系为:其中βk,l,n是与αk,l,n独立同分布的复高斯随机变量,将该式代入信道模型中得到当前n+1时刻第k个用户和基站间的信道为:
其中表示信号到达角的变化,为n 时刻第k个用户和基站间第l条散射路径信道,ck,l,n+1=βk,l,n+1Tk,l,na(θk,l,n+1),由于在角度相关时间内,用户位置信息不发生改变,因此Tk,l,n简化为单位阵,当前n+1时刻第k个用户和基站间的信道简化为:
其中τ为导频序列长度,pτ为导频符号功率(其中y′k,n+1表示导频信号的公式变形,表示导频信号共轭转置),该接收导频信号为当前n+1时刻信道的测量方程,预测方程和测量方程构成全维度信道的状态空间,即相邻时间间隔内信道追踪的状态空间;为压缩大规模MIMO 信道维度,该状态空间需转化到角度域。
首先计算角度波束成形矩阵,由步骤2得到n时刻信道的最优旋转角为最强波束增益为对应的最强波束序号为ik,则角度波束成形矩阵为:其中为空间旋转矩阵,1≤k≤K,为第k个用户的最强波束,即归一化DFT矩阵第ik列波束;
(2)对当前时刻信道增益进行预测或修正,通过角度域信道状态空间获取5个卡尔曼方程(追踪方程):
pk,n+1|n+1=(1-kgτpτ)pk,n+1|n(5-1);
其中公式(1-1)中的为当前n+1时刻角度域信道的预测,为上一时刻角度域信道的最优估计;公式(2-1)中的pk,n+1|n为当前n+1时刻角度域信道均方误差的预测,pk,n|n为上一时刻角度域信道均方误差的最优估计,Rk,n为上一时刻全维信道的协方差矩阵;公式(3-1)中为当前n+1时刻角度域信道的最优估计;公式(4-1)中的kg为卡尔曼因子,为噪声方差;公式(5-1)中的pk,n+1|n+1为当前n+1 时刻角度域信道均方误差的最优估计;公式(1-1)和公式(2-1)为盲性预测,具有无需导频信号、计算简单、但无法监视信道发生的突变等特点;公式(3-1)、公式(4-1)和公式(5-1) 为导频辅助的信道修正,具有可靠性高、实时检测信道变化、但导频开销大等特点。为尽量减小导频开销,同时获取较为准确的信道状态信息,设计追踪步骤如下:
(b)计算公式(1-1)和公式(2-1),对当前n+1时刻的CTn+1,0≤n≤M-1进行信道预测,若累计误差pk,n+1|n≤Vt,a,且瞬时信噪比跳变量△ηk,n+1≤Vr,a,则将当前n+1时刻的信道预测值视为最优估计值,即
执行步骤(d),否则,视为信道发生突变或误差过大,执行步骤(c),利用步骤(c)进行修正;
(c)在进行修正时,为使测量值占更大权重,需对时间相关系数进行修正。设ρ1=J0(2πfdT1)为修正时间相关系数,其中为相干时间,λ为载波波长, v为用户移动速度,将ρ1代入公式(1-1)至公式(5-1),根据导频信号计算公式(3-1),获取信道的最优估计值
(d)对下一时刻进行预测。式(2-1)被用于监视误差的累积程度。当累积误差不超过门限值Vt,a时,式(1-1)的预测值可视为最优估计,此时用户无需发送导频;当累积误差超过门限值时,需对预测值进行修正。在计算修正后的最优估计值时,为使测量值占更大权重,需对时间相关系数进行修正。设ρ1=J0(2πfdT1)为修正时间相关系数。根据导频信号计算式(4-1),进而计算式(3-1)。
由于在信道预测过程中,用户不发送导频,信道追踪处于盲性状态。式(2-1)无法监视信道状态信息的突变,因而无法及时修正由突变带来的巨大估计误差。因此,在预测过程中额外设置新的误差门限Vr,a,当信道发生突变,接收信号信噪比会发生跳变。基站通过监视瞬时信噪比,检测突变是否发生。然后进行信道修正。
(3)全维信道的重建:
仿真验证:
为了验证提出的角度域信道追踪方案的性能,仿真了角度域信道追踪的归一化均方误差、基于角度域信道追踪的数据传输速率。
图5分别给出了接收信噪比为25dB时,MMSE信道估计、大规模MIMO全维信道追踪方案、角度域信道追踪方案的归一化均方误差。可以看出,传统的信道估计方案(MMSE)归一化均方误差最小,其代价为巨大的导频开销和较差的数据传输速率;角度域信道追踪方案的归一化均方误差仅次于MMSE方案,且在信道发生突变的情况下(时隙6)误差仍低于全维信道追踪方案,具有良好的适应性与可靠性。
图6分别给出了上下行接收信噪比为10dB时,角度域信道追踪、基于导频复用的波束域信道估计、基于卡尔曼滤波的全维信道追踪、MMSE方法的数据传输速率。可以看出,角度域信道追踪方案具有最大的传输速率,且当信道突变发生时(时隙6),能够及时修正信道信息,并恢复传输速率;而传统的信道估计方案在高速移动场景下,因其巨大的导频开销将失去优势,其传输速率损失近一半。
本发明的保护范围包括但不限于以上实施方式,本发明的保护范围以权利要求书为准,任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。
Claims (3)
1.一种大规模MIMO高速移动场景下角度域信道追踪方法,其特征在于:包括以下步骤:
步骤1:获取初始信道状态信息;
步骤2:获取用户位置:通过初始信道状态信息和离散傅里叶变换进行波束对准,获获取最优波束旋转角和最强波束序号,从而计算用户初始到达角,通过计算不同用户的位置信息,获得角度波束成形矩阵;
步骤3:获取角度相关时间:定义角度相关时间为用户移动过程中角度变化不超过分辨率的持续时间,根据初始位置信息、相干时间以及基站天线分辨率计算角度相关时间;
步骤4:用户分组与导频复用:利用用户位置信息计算用户的活跃波束集,定义活跃波束集为包含至少95%信道能量的波束集合,根据用户的活跃波束集进行分组,分组的方法为同一组内的任意两个用户的活跃波束集的交集为空集,为不同的组分配正交导频序列,同一组内用户复用同一导频;
步骤5:角度域信道追踪:对信道进行离散傅里叶变换并追踪用户最强波束的波束增益,利用相邻时刻的时间相关性建立相邻时间间隔内信道追踪的状态空间,通过相邻时间间隔内信道追踪的状态空间和角度波束成形矩阵构建角度域信道状态空间,对当前时刻信道增益进行预测或修正,实现角度域信道追踪;
首先确定相邻时刻时间相关系数ρ0;根据杰克模型,ρ0=J0(2πfDT0);为使相邻时刻信道具有高相关性,设置追踪间隔为T0,fD为最大多普勒频移,J0(·)为第一类零阶贝塞尔函数;
其次,建立相邻追踪间隔内信道的状态方程;利用ρ0建立预测方程,根据接收导频信号建立测量方程;预测方程与测量方程构成信道追踪的状态空间;在此基础上,利用步骤2中计算的角度波束成形矩阵将两个方程转化为角度域方程,从而构建角度域信道状态空间;
最后利用角度域状态空间获取5个角度域卡尔曼方程,即当前时刻信道增益的预测式和最优估计、当前时刻估计误差的预测式和最优估计、卡尔曼因子;利用获取的角度域信道增益最优估计,重构全维信道。
2.根据权利要求1所述的大规模MIMO高速移动场景下角度域信道追踪方法,其特征在于:所述的步骤5中所述的构建角度域信道状态空间包括以下步骤:
n时刻第k个用户,(1≤k≤K),与基站的信道模型为:
其中L表示散射路径数,αk,l,n表示阵列响应增益,a(θk,l,n)为第l条散射路径阵列响应:
其中θk,l,n为n时刻第k个用户的第l条散射路径到达角,j为虚部,d为天线间隔,λ为载波波长,M为基站天线数;
相邻时刻的时间相关性性由时间相关系数ρ0表示,根据杰克模型,ρ0=J0(2πfDT0),其中T0为追踪间隔,fD为最大多普勒频移,J0(·)为第一类零阶贝塞尔函数,当前n+1时刻的阵列响应增益与n时刻的关系为:
其中βk,l,n是与αk,l,n独立同分布的复高斯随机变量,将公式(3)代入信道模型中得到当前n+1时刻第k个用户和基站间的信道为:
其中表示信号到达角的变化,为n时刻第k个用户和基站间第l条散射路径信道,ck,l,n+1=βk,l,n+1Tk,l,na(θk,l,n+1),由于在角度相关时间内,用户位置信息不发生改变,因此Tk,l,n简化为单位阵,当前n+1时刻第k个用户和基站间的信道简化为:
当用户发送导频时,基站接收到的导频信号为:
其中τ为导频序列长度,pτ为导频符号功率,所述公式(7)为当前n+1时刻信道的测量方程,预测方程和测量方程构成全维度信道的状态空间,即相邻时间间隔内信道追踪的状态空间;
3.根据权利要求1所述的大规模MIMO高速移动场景下角度域信道追踪方法,其特征在于:所述的步骤5中所述的对当前时刻信道增益进行预测或修正包括以下步骤:
通过角度域信道状态空间获取5个卡尔曼方程:
pk,n+1|n+1=(1-kgτpτ)pk,n+1|n 公式(15);
其中公式(11)中的为当前n+1时刻角度域信道的预测,为上一时刻角度域信道的最优估计;公式(12)中的pk,n+1|n为当前n+1时刻角度域信道均方误差的预测,pk,n|n为上一时刻角度域信道均方误差的最优估计,Rk,n为上一时刻全维信道的协方差矩阵;公式(13)中为当前n+1时刻角度域信道的最优估计;公式(14)中的kg为卡尔曼因子,为噪声方差;公式(15)中的pk,n+1|n+1为当前n+1时刻角度域信道均方误差的最优估计;
角度域信道追踪的步骤为:
(b)计算公式(11)和公式(12),对当前n+1时刻的CTn+1,0≤n≤M-1进行信道预测,若累计误差pk,n+1|n≤Vt,a,且瞬时信噪比跳变量Δηk,n+1≤Vr,a,则将当前n+1时刻的信道预测值视为最优估计值,即
执行步骤(d),否则,视为信道发生突变,执行步骤(c);
(d)对下一时刻进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810245788.0A CN108494449B (zh) | 2018-03-23 | 2018-03-23 | 大规模mimo高速移动场景下角度域信道追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810245788.0A CN108494449B (zh) | 2018-03-23 | 2018-03-23 | 大规模mimo高速移动场景下角度域信道追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108494449A CN108494449A (zh) | 2018-09-04 |
CN108494449B true CN108494449B (zh) | 2021-03-30 |
Family
ID=63319402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810245788.0A Active CN108494449B (zh) | 2018-03-23 | 2018-03-23 | 大规模mimo高速移动场景下角度域信道追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108494449B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11601307B2 (en) * | 2018-12-17 | 2023-03-07 | U-Blox Ag | Estimating one or more characteristics of a communications channel |
CN109743087B (zh) * | 2019-01-17 | 2020-12-29 | 南京邮电大学 | 高铁场景下分布式天线传输模式选择和功率优化方法 |
EP3954057A1 (en) * | 2019-04-11 | 2022-02-16 | Nokia Technologies Oy | Methods and apparatus for determining beam directions after inactive period |
CN110212963B (zh) * | 2019-05-24 | 2022-04-15 | Oppo广东移动通信有限公司 | 波束跟踪方法、装置及计算机存储介质和终端设备 |
CN110430147B (zh) * | 2019-07-15 | 2021-12-14 | 东南大学 | 一种面向fdd系统的信道跟踪方法 |
CN110518943A (zh) * | 2019-08-02 | 2019-11-29 | 北京交通大学 | 高速移动场景下基于波束跟踪的大规模天线信道探测方法 |
CN110417692B (zh) * | 2019-08-20 | 2021-08-17 | 中国联合网络通信集团有限公司 | 上行信道的追踪方法和装置 |
CN111988126B (zh) * | 2020-09-14 | 2021-10-01 | 北京邮电大学 | 毫米波车联网下的信道追踪方法、装置、电子设备及介质 |
CN112383336B (zh) * | 2020-11-17 | 2022-03-08 | 电子科技大学 | 一种用于远距离高速飞行物体的波束追踪方法 |
CN113595666B (zh) * | 2021-07-13 | 2022-05-20 | 华中科技大学 | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 |
CN116828394B (zh) * | 2022-03-30 | 2024-02-20 | 南方科技大学 | 追踪通信方法、追踪通信装置、电子设备以及存储介质 |
WO2023230081A1 (en) * | 2022-05-24 | 2023-11-30 | Viasat, Inc. | Method and apparatus for maintaining beam weights for ongoing beamforming in a satellite communications system |
CN115412187A (zh) * | 2022-07-10 | 2022-11-29 | 重庆邮电大学 | 一种基于可重构智能表面的毫米波信道追踪方法 |
CN115065981B (zh) * | 2022-08-16 | 2022-11-01 | 新华三技术有限公司 | 一种波束追踪方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104836604A (zh) * | 2015-03-09 | 2015-08-12 | 复旦大学 | 一种基于3d-mimo系统带噪信道系数的角度域稀疏波束成形算法 |
CN105680924A (zh) * | 2016-01-28 | 2016-06-15 | 西南交通大学 | 超高移动性条件下基于频域差分相位的mimo-ofdm系统频偏估计方法 |
CN105891771A (zh) * | 2016-04-06 | 2016-08-24 | 北京邮电大学 | 一种提高估计精度的基于连续分布的角度估计方法与设备 |
CN107171708A (zh) * | 2017-05-25 | 2017-09-15 | 清华大学 | 一种大规模mimo系统的信道跟踪与混合预编码方法 |
US9768928B1 (en) * | 2016-12-16 | 2017-09-19 | Futurewei Technologies, Inc. | High dimensional (HiDi) radio environment characterization and representation |
CN107276924A (zh) * | 2016-04-08 | 2017-10-20 | 北京信威通信技术股份有限公司 | 大规模多输入多输出的信道估计方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9654197B2 (en) * | 2010-04-15 | 2017-05-16 | Futurewei Technologies, Inc. | System and method for feeding back channel information |
-
2018
- 2018-03-23 CN CN201810245788.0A patent/CN108494449B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104836604A (zh) * | 2015-03-09 | 2015-08-12 | 复旦大学 | 一种基于3d-mimo系统带噪信道系数的角度域稀疏波束成形算法 |
CN105680924A (zh) * | 2016-01-28 | 2016-06-15 | 西南交通大学 | 超高移动性条件下基于频域差分相位的mimo-ofdm系统频偏估计方法 |
CN105891771A (zh) * | 2016-04-06 | 2016-08-24 | 北京邮电大学 | 一种提高估计精度的基于连续分布的角度估计方法与设备 |
CN107276924A (zh) * | 2016-04-08 | 2017-10-20 | 北京信威通信技术股份有限公司 | 大规模多输入多输出的信道估计方法和装置 |
US9768928B1 (en) * | 2016-12-16 | 2017-09-19 | Futurewei Technologies, Inc. | High dimensional (HiDi) radio environment characterization and representation |
CN107171708A (zh) * | 2017-05-25 | 2017-09-15 | 清华大学 | 一种大规模mimo系统的信道跟踪与混合预编码方法 |
Non-Patent Citations (1)
Title |
---|
Nakagami-m信道下全双工解码转发中继中断概率分析;王雨榕;《信号处理》;20160331;第32卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108494449A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108494449B (zh) | 大规模mimo高速移动场景下角度域信道追踪方法 | |
KR101481045B1 (ko) | 광대역 무선통신 시스템에서 간섭의 크기를 고려한 빔포밍장치 및 방법 | |
KR100712069B1 (ko) | 다중안테나 시스템의 전송채널 추정 방법 | |
CN102833194B (zh) | 快速时变信道下基于对称基扩展模型的ofdm信道估计方法 | |
CN108418769A (zh) | 一种分布式压缩感知稀疏度自适应重建方法 | |
CN106998307B (zh) | 一种用于大规模天线系统的盲信号检测及信道估计方法 | |
CN106972875B (zh) | 一种mimo系统下多维联合估计动态稀疏信道的方法 | |
CN101018219B (zh) | 一种空频信号处理方法 | |
CN105939299A (zh) | 一种基于改进后的sage算法的信道参数估计方法 | |
CN107317781B (zh) | 一种水下通信中多普勒扩展抑制方法 | |
CN101291311B (zh) | 多输入多输出正交频分复用系统的同步实现方法及装置 | |
CN106130938B (zh) | Tdd大规模mimo系统多用户联合信道估计方法 | |
CN114221838A (zh) | 大规模mimo系统中利用信道共轭数据的信道估计方法及系统 | |
CN114143896A (zh) | 一种大规模mimo跨频协作鲁棒传输方法 | |
CN109802901B (zh) | 基于到达角测量的3d mimo信道估计方法及系统 | |
CN103346984A (zh) | 基于bsl0的局部聚类稀疏信道估计方法 | |
CN105812299A (zh) | 基于联合块稀疏重构的无线传感网信道估计算法及系统 | |
CN105024956A (zh) | 高速移动下基于统计信息的信道估计和ici消除方法 | |
CN102651661B (zh) | Td-lte系统中的干扰对齐方法 | |
CN104702540A (zh) | 一种用于小区边缘终端的信号接收优化方法 | |
CN112383495A (zh) | 一种基于pt-rs的频偏估计方法及系统 | |
CN103354538A (zh) | 一种对水声通信中的接收信号进行多普勒补偿的方法 | |
CN114244658B (zh) | 大规模mimo系统中的基于倍角估计的信道估计方法 | |
CN107707493A (zh) | 一种基于压缩感知的信道估计方法 | |
CN103139108B (zh) | 一种三维mmse信道估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |