CN108650004B - 一种Massive MIMO的相位噪声估计方法及装置 - Google Patents
一种Massive MIMO的相位噪声估计方法及装置 Download PDFInfo
- Publication number
- CN108650004B CN108650004B CN201810462419.7A CN201810462419A CN108650004B CN 108650004 B CN108650004 B CN 108650004B CN 201810462419 A CN201810462419 A CN 201810462419A CN 108650004 B CN108650004 B CN 108650004B
- Authority
- CN
- China
- Prior art keywords
- vector
- phase noise
- received data
- moment
- formula
- 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
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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03171—Arrangements involving maximum a posteriori probability [MAP] detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
Abstract
本发明实施例公开了一种Massive MIMO的相位噪声估计方法及装置,本发明为基于无迹卡尔曼滤波的相位噪声估计方法,用于大规模天线系统中下行链路本振相位噪声的估计,从而改善系统的性能。本发明实施例方法包括:建立大规模天线下行链路的系统模型,并设置各个参数,建立空间状态方程和测量方程;利用无迹卡尔曼滤波算法估计本振相位噪声,从而对其矫正,以提高系统的性能。该方法可以有效减弱相位噪声对系统的影响,可以很好的解决大规模天线系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。
Description
技术领域
本发明涉及天线系统领域,尤其涉及一种Massive MIMO的相位噪声估计方法及装置。
背景技术
Massive mimo即在基站配置更多的天线。相比常规的MIMO,Massive MIMO提供了更大的自由度、简单的线性预编码技术和检测技术、频谱效率和能量效率数量级的改善,同时由于天线数目较多,信道小尺度衰落和热噪声的影响小时,介质访问控制层协议简化。然而数以百计的天线在基站的配置必然需要相应数量的射频链路,即所需的功率放大器(PA)、低噪声放大器(LNA)、混频器(Mixer)、本地振荡器(LO)、模数(ADC)和数模转换器(DAC)的数量大幅度增加。另外,随着微微蜂窝和家庭基站的大量配置,基站的数目将会越来越多。从经济效益角度考虑,要使Massive MIMO系统在蜂窝移动网络中配置,必须使用低成本、能量效率高的模拟器件。另外,现代无线接收机和发射机通常采用了零中频或低中频的方案,零中频和低中频的方案需要模拟正交混频,本地振荡器难以产生精确的同相和正交本振信号,因此引起了I/Q不平衡,给后续信号处理带来了极大的困难。
在多天线系统中,每条链路都需要不同的本振或锁相环电路来驱动,因此多个相位噪声需要被估计,单天线系统中单相位噪声估计算法无法适用。现有算法中有基于矩阵逆、数学期望最大化(EM)和扩展卡尔曼滤波(EKF)的算法来估计多个相位噪声参数,但Massive MIMO系统使用了低成本的本地振荡器,相位噪声对系统性能的影响更严重,这些算法由于线性化逼近误差高、稳定性差、估计精度低以及计算复杂度高而无法适用于新的系统。
发明内容
本发明实施例提供了一种Massive MIMO的相位噪声估计方法及装置,可以很好的解决Massive MIMO系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。
根据本发明的一个方面,提供一种Massive MIMO的相位噪声估计方法,包括:
S0:获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
S1:获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
S2:对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;
S3:对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;
S4:获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;
S5:根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
S6:将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;
S7:将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新执行步骤S1。
优选地,所述对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取具体为:
获取当前时刻的相位噪声向量的协方差,计算当前时刻的相位噪声向量的平均值,通过预置第一公式组对当前时刻的相位噪声向量的协方差、平均值进行计算得到当前时刻的各个sigma点;
其中,预置第一公式组为:
优选地,所述对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量具体包括:
获取当前时刻的高斯白噪声向量,高斯白噪声向量由各个天线的高斯白噪声组成;
将得到的各个sigma点加上当前时刻的高斯白噪声向量得到下一时刻的各个sigma点组成的sigma点列向量。
优选地,所述对下一时刻的各个sigma点进行线性权重计算具体为:
通过预置第二公式对下一时刻的各个sigma点进行线性权重计算;
其中,预置第二公式为:
优选地,所述接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程为:
Y(n)=H⊙ejB(n)+V(n)
式中,H为天线信道增益向量,B(n)为相位噪声向量,V(n)为测量噪声向量,Y(n)为接收数据向量。
优选地,所述将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量具体为:
将下一时刻的sigma点列向量输入量测方程得到输出矩阵,通过预置第三公式对输出矩阵进行线性权重计算得到下一时刻的预估接收数据向量;
其中,预置第三公式为:
优选地,下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差的计算公式为:
下一时刻的预估接收数据向量的方差的计算公式为:
计算卡尔曼增益具体包括:
优选地,步骤S3之后还包括:
通过预置第四公式计算下一时刻的相位噪声第一向量的协方差;
其中,预置第四公式为:
优选地,步骤S6之后还包括:
通过预置第五公式计算下一时刻的相位噪声第二向量的后验方差;
其中,预置第五公式为:
式中,PY,k+1|Y,k+1为下一时刻的预估接收数据向量的方差,Kk+1为卡尔曼增益;
所述将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新执行步骤S1具体为:
将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,将下一时刻的相位噪声第二向量的后验方差作为当前时刻的相位噪声向量的协方差,重新执行步骤S1。
根据本发明的另一个方面,提供一种Massive MIMO的相位噪声估计装置,包括:
第一获取模块,用于获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
第二获取模块,用于获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
选取模块,用于对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;
第一计算模块,用于对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;
第二计算模块,用于获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;
第三计算模块,用于根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
第四计算模块,用于将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;
循环模块,用于将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新触发第二获取模块。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供一种Massive MIMO的相位噪声估计方法及装置,该方法包括:S0:获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;S1:获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;S2:对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;S3:对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;S4:获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;S5:根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;S6:将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;S7:将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新执行步骤S1。本发明通过卡尔曼滤波算法估计天线的相位噪声,很好的解决Massive MIMO系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种Massive MIMO的相位噪声估计方法的一个实施例的流程示意图;
图2为本发明提供的一种Massive MIMO的相位噪声估计装置的一个实施例的机构示意图;
图3为Massive MIMO系统的示意图。
具体实施方式
本发明实施例提供了一种Massive MIMO的相位噪声估计方法及装置,可以很好的解决Massive MIMO系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种Massive MIMO的相位噪声估计方法的一个实施例,包括:
100、获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
101、获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
102、对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;
103、对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;
104、获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;
105、根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
106、将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;
107、将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新执行步骤101。
因为Massive MIMO系统中使用了低成本的本地振荡器,基于矩阵逆、数学期望最大化和扩展卡尔曼滤波算法来估计相位噪声的方法已经不适用,这些算法线性化逼近误差高、稳定性差、估计精度低以及计算复杂度高,已无法胜任新的系统,无迹卡尔曼滤波算法是对非线性函数的概率密度进行近似,用一系列确定性样本来逼近状态的后延概率密度,而不是对非线性函数进行近似,同时也不需要计算Jacobian矩阵,算法复杂度小,且没有线性化忽略高阶项,因此非线性分布统计量的计算精确更高。
本发明通过卡尔曼滤波算法估计天线的相位噪声,很好的解决Massive MIMO系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。
以上为一种Massive MIMO的相位噪声估计方法的一个实施例,为进行更具体的说明,下面提供一种Massive MIMO的相位噪声估计方法的另一个实施例,本发明提供的一种Massive MIMO的相位噪声估计方法的另一个实施例,请参阅图3,本发明以该图中的Massive MIMO系统作为示例进行说明,第k条天线接收的数据为:
式中,Se(n)为n时刻终端发送给基站天线的数据;hk为终端到第k个接收天线的信道增益;θ[t]为n时刻终端振荡器的相位噪声,为n时刻第k条接收天线振荡器的相位噪声;vk(n)为n时刻第k条天线的测量噪声,是均值为零的加性高斯白噪声,可以在接收端估计得到,假设为已知。
压控振荡器产生的相位噪声可以模拟成独立的维纳过程(Winner Process),k=1……Nr.假设为高斯白噪声且为振荡器洛伦兹谱3dB的带宽,Ts为采样时间。可以通过现有文献查出,当T8=10-6sec,则在发送终端,可以采用性能高的本地振荡器,振荡器所产生的相位噪声非常的小,可以近似为零,即θ[t](n)≈0,则接收端可以用如下矩阵的形式表达:
Y(n)=H⊙ejB(n)+V(n)
●⊙表示为矩阵对应元素相乘
本实施例包括:
200、获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
在本发明实施例中,通过卡尔曼滤波算法可由当前时刻的天线相位噪声准确估计下一时刻的天线相位噪声,当前时刻为起始时刻零时,此时当前时刻的相位噪声向量和协方差可以提前设置,即:
201、获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
由于在第一次预估过程中,步骤200以起始时刻为当前时刻,可以理解的是,当前时刻天线的相位噪声向量为B(k)=B(0),下一时刻天线的实际接收数据向量为Yk+1=Y1。
202、获取当前时刻的相位噪声向量的协方差,计算当前时刻的相位噪声向量的平均值,通过预置第一公式组对当前时刻的相位噪声向量的协方差、平均值进行计算得到当前时刻的各个sigma点;
本实施例采用对称采样策略进行Sigma点选取,其中,预置第一公式组为:
为消除采样的非局部效应,可以对Sigma点集进行比例修正,各Sigma点的权值为:
上式中,为均值的权,为方差的权,λ为调节参数,λ=α2(L+κ)-L,参数α表示测试点偏离期望值的程度,通常是一个非常小的正数,本实施例令α=10-3,L=Nr为接收端天线的数量,κ为第二个调节参数,以保证方差矩阵的半正定,本实施例令κ=0,β为描述B的先验分布信息,对于高斯分布,β=2最优。
203、获取当前时刻的高斯白噪声向量,高斯白噪声向量由各个天线的高斯白噪声组成;
在确定当前时刻k的各个sigma点后,当前时刻k的各个sigma点可以组成一个列向量ξk|k=(ξ0,ξ1……,ξ2L),再获取当前时刻k的天线高斯白噪声向量δ(k)。
204、将得到的各个sigma点加上当前时刻的高斯白噪声向量得到下一时刻的各个sigma点组成的sigma点列向量;
对于线性状态方程,须对各个Sigma点进行线性变换,即:ξk+1|k=ξk|k+δ(k),可以理解的是,ξk|k=(ξ0,ξ1……,ξ2L)包含2L+1个sigma点,相当于当前时刻的每个sigma点均加上δ(k)即可得到下一时刻k+1的每个sigma点,下一时刻k+1的每个sigma点即组成sigma点列向量ξk+1|k。
205、通过预置第二公式对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量,通过预置第四公式计算下一时刻的相位噪声第一向量的协方差;
其中,预置第二公式为:
预置第四公式为:
206、获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程得到输出矩阵,通过预置第三公式对输出矩阵进行线性权重计算得到下一时刻的预估接收数据向量;
接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程为:
Y(n)=H⊙ejB(n)+V(n)
式中,H为天线信道增益向量,B(n)为相位噪声向量,V(n)为测量噪声向量,Y(n)为接收数据向量。
将下一时刻的sigma点列向量输入量测方程得到输出矩阵即为:
其中,预置第三公式为:
207、根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差的计算公式为:
下一时刻的预估接收数据向量的方差的计算公式为:
计算卡尔曼增益具体包括:
208、将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量,通过预置第五公式计算下一时刻的相位噪声第二向量的后验方差;
上述计算过程的计算公式为:
Bk+1|k+1=Bk+1|k+Kk+1(Yk+1-Yk+1|k)
其中,预置第五公式为:
式中,PY,k+1|Y,k+1为下一时刻的预估接收数据向量的方差,Kk+1为卡尔曼增益,为矩阵PY,k+1|Y,k+1的逆,Yk+1为下一时刻的实际接收数据向量,Yk+1|k为下一时刻的实际接收数据向量。
209、将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,将下一时刻的相位噪声第二向量的后验方差作为当前时刻的相位噪声向量的协方差,重新执行步骤S1。
得到下一时刻天线的相位噪声第二向量Bk+1|k+1即为下一时刻k+1最终确认的天线相位噪声向量,其对应的后验方差Pk+1|k+1即为下一时刻k+1最终确认的协方差。
综上所述,本发明通过卡尔曼滤波算法以当前时刻天线的相位噪声向量和协方差估计下一时刻的相位噪声向量和协方差,需要说明的是,在第a时刻估计a+1时刻相位噪声的过程中,a+1时刻的实际接收数据向量为在实际环境中测量得到的a+1时刻天线的接收数据(预估过程中也有a+1时刻的预估接收数据向量产生,仅在a时刻估计a+1时刻相位噪声的过程中起作用),而a+1时刻的相位噪声第二向量和其后验方差则作为预估a+2时刻相位噪声的过程时,a+1时刻的相位噪声和对应的协方差,此过程中a+2时刻的实际天线接收数据可再次进行实测。
因此,从步骤200开始实际上是第0时刻预估第1时刻的相位噪声向量(即第一次预估过程),得到第1时刻的相位噪声向量后,则开始执行循环,以第1时刻预估得到的相位噪声向量和协方差重新执行步骤201开始执行第二次预估过程,以此类推,直至得到最终时刻的相位噪声向量。
请参阅图2,本发明提供的一种Massive MIMO的相位噪声估计装置的一个实施例包括:
第一获取模块300,用于获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
第二获取模块301,用于获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
选取模块302,用于对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;
第一计算模块303,用于对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;
第二计算模块304,用于获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;
第三计算模块305,用于根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
第四计算模块306,用于将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;
循环模块307,用于将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新触发第二获取模块301。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置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,所揭露的系统,装置和方法,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。另一点,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,可以是电性,机械或其它的形式。
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,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.一种Massive MIMO的相位噪声估计方法,其特征在于,包括:
S0:获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
S1:获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
S2:对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;
B(n+1)=B(n)+δ(n)
式中,B(n)为n时刻接收各个天线振荡器的相位噪声向量,δ(n)表示各个天线振荡器的高斯白噪声;
具体为:
获取当前时刻的相位噪声向量的协方差,计算当前时刻的相位噪声向量的平均值,通过预置第一公式组对当前时刻的相位噪声向量的协方差、平均值进行计算得到当前时刻的各个sigma点;
其中,预置第一公式组为:
R=E{V(n)V(n)T}
式中,为当前时刻的相位噪声向量的平均值,PB为当前时刻的相位噪声向量的协方差,为的第i列,L为天线的个数;ξ0,ξi表示Sigma点;λ为调节参数,λ=α2(L+κ)-L,α表示测试点偏离期望值的程度,κ为第二个调节参数;
S3:对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;
具体包括:
获取当前时刻的高斯白噪声向量,高斯白噪声向量由各个天线的高斯白噪声组成;
将得到的各个sigma点加上当前时刻的高斯白噪声向量得到下一时刻的各个sigma点组成的sigma点列向量;
通过预置第二公式对下一时刻的各个sigma点进行线性权重计算;
其中,预置第二公式为:
式中,Wi m为第i个均值权重,ξi,k+1|k为下一时刻的sigma点列向量的第i列;Bk+1|k为相位噪声第一向量,L为接收端天线的数量;
S4:获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;
所述接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程为:
Y(n)=H⊙ejB(n)+V(n)
式中,H为天线信道增益向量,B(n)为相位噪声向量,V(n)为测量噪声向量,Y(n)为接收数据向量;
将下一时刻的sigma点列向量输入量测方程得到输出矩阵,通过预置第三公式对输出矩阵进行线性权重计算得到下一时刻的预估接收数据向量;
其中,预置第三公式为:
式中,φi,k+1|k为输出矩阵的第i列,Wi m为第i个均值权重;Yk+1k为下一时刻的预估接收数据向量,L为接收端天线的数量;
S5:根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差的计算公式为:
下一时刻的预估接收数据向量的方差的计算公式为:
计算卡尔曼增益具体包括:
式中,Bk+1|k为下一时刻的相位噪声第一向量,Yk+1|k为下一时刻的预估接收数据向量,Wi c为第i个方差权重;ξi,k+1|k为下一时刻的sigma点列向量的第i列;R=E{V(n)V(n)T};
S6:将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;
S7:将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新执行步骤S1。
4.一种Massive MIMO的相位噪声估计装置,其特征在于,包括:
第一获取模块,用于获取起始时刻的预置相位噪声向量,并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量,相位噪声向量由各个天线的相位噪声组成;
第二获取模块,用于获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量,接收数据向量由各个天线的接收数据组成;
选取模块,用于对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取,对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量;
B(n+1)=B(n)+δ(n)
式中,B(n)为n时刻接收各个天线振荡器的相位噪声向量,δ(n)表示各个天线振荡器的高斯白噪声;
具体为:
获取当前时刻的相位噪声向量的协方差,计算当前时刻的相位噪声向量的平均值,通过预置第一公式组对当前时刻的相位噪声向量的协方差、平均值进行计算得到当前时刻的各个sigma点;
其中,预置第一公式组为:
R=E{V(n)V(n)T}
式中,为当前时刻的相位噪声向量的平均值,PB为当前时刻的相位噪声向量的协方差,为的第i列,L为天线的个数;ξ0,ξi表示Sigma点;λ为调节参数,λ=α2(L+κ)-L,α表示测试点偏离期望值的程度,κ为第二个调节参数;
第一计算模块,用于对下一时刻的各个sigma点进行线性权重计算,得到下一时刻的相位噪声第一向量;
具体包括:
获取当前时刻的高斯白噪声向量,高斯白噪声向量由各个天线的高斯白噪声组成;
将得到的各个sigma点加上当前时刻的高斯白噪声向量得到下一时刻的各个sigma点组成的sigma点列向量;
通过预置第二公式对下一时刻的各个sigma点进行线性权重计算;
其中,预置第二公式为:
式中,Wi m为第i个均值权重,ξi,k+1|k为下一时刻的sigma点列向量的第i列;Bk+1|k为相位噪声第一向量,L为接收端天线的数量;
第二计算模块,用于获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程,将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量;
所述接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程为:
Y(n)=H⊙ejB(n)+V(n)
式中,H为天线信道增益向量,B(n)为相位噪声向量,V(n)为测量噪声向量,Y(n)为接收数据向量;
将下一时刻的sigma点列向量输入量测方程得到输出矩阵,通过预置第三公式对输出矩阵进行线性权重计算得到下一时刻的预估接收数据向量;
其中,预置第三公式为:
式中,φi,k+1|k为输出矩阵的第i列,Wi m为第i个均值权重;Yk+1k为下一时刻的预估接收数据向量,L为接收端天线的数量;
第三计算模块,用于根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益;
下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差的计算公式为:
下一时刻的预估接收数据向量的方差的计算公式为:
计算卡尔曼增益具体包括:
式中,Bk+1|k为下一时刻的相位噪声第一向量,Yk+1|k为下一时刻的预估接收数据向量,Wi c为第i个方差权重;ξi,k+1|k为下一时刻的sigma点列向量的第i列;R=E{V(n)V(n)T};
第四计算模块,用于将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益,再加上相位噪声第一向量得到下一时刻的相位噪声第二向量;
循环模块,用于将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量,重新触发第二获取模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462419.7A CN108650004B (zh) | 2018-05-15 | 2018-05-15 | 一种Massive MIMO的相位噪声估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810462419.7A CN108650004B (zh) | 2018-05-15 | 2018-05-15 | 一种Massive MIMO的相位噪声估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108650004A CN108650004A (zh) | 2018-10-12 |
CN108650004B true CN108650004B (zh) | 2021-09-03 |
Family
ID=63755854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810462419.7A Active CN108650004B (zh) | 2018-05-15 | 2018-05-15 | 一种Massive MIMO的相位噪声估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108650004B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109639606B (zh) * | 2019-01-22 | 2021-11-26 | 广东工业大学 | 单载波空间复用mimo的本振相位噪声估计方法、装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095615A (zh) * | 2011-10-31 | 2013-05-08 | 华为技术有限公司 | 一种相位噪声估计、补偿的方法及装置 |
CN103746947A (zh) * | 2014-01-07 | 2014-04-23 | 电子科技大学 | 一种相位噪声的估计方法 |
US8976887B2 (en) * | 2013-03-19 | 2015-03-10 | Broadcom Corporation | Phase noise estimation for MIMO communication |
CN107395282A (zh) * | 2017-07-20 | 2017-11-24 | 浙江工业大学 | 一种时域无迹卡尔曼滤波的大线宽co‑ofdm系统相位噪声补偿方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171735B (zh) * | 2017-05-16 | 2019-07-30 | 浙江工业大学 | 一种时频域卡尔曼滤波大线宽co-ofdm相位噪声补偿方法 |
-
2018
- 2018-05-15 CN CN201810462419.7A patent/CN108650004B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103095615A (zh) * | 2011-10-31 | 2013-05-08 | 华为技术有限公司 | 一种相位噪声估计、补偿的方法及装置 |
US8976887B2 (en) * | 2013-03-19 | 2015-03-10 | Broadcom Corporation | Phase noise estimation for MIMO communication |
CN103746947A (zh) * | 2014-01-07 | 2014-04-23 | 电子科技大学 | 一种相位噪声的估计方法 |
CN107395282A (zh) * | 2017-07-20 | 2017-11-24 | 浙江工业大学 | 一种时域无迹卡尔曼滤波的大线宽co‑ofdm系统相位噪声补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108650004A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Super-resolution channel estimation for mmWave massive MIMO with hybrid precoding | |
Choi et al. | Received power-based channel estimation for energy beamforming in multiple-antenna RF energy transfer system | |
EP3588805A1 (en) | Method and apparatus for coherent receive beamforming | |
CN106559361B (zh) | 大规模多输入多输出天线系统的信道估计方法及装置 | |
CN106559118B (zh) | 用于大规模天线下用户终端方位角估计的方法和装置 | |
CN108736938B (zh) | 用于大规模mimo上行链路信道估计和数据解调方法 | |
Qi et al. | Off-grid compressive channel estimation for mm-wave massive MIMO with hybrid precoding | |
CN108650004B (zh) | 一种Massive MIMO的相位噪声估计方法及装置 | |
CN108965174A (zh) | 大规模mimo系统上行链路的联合信道估计和数据解调方法 | |
Wan et al. | Multiband delay estimation for localization using a two-stage global estimation scheme | |
Mandal et al. | Energy efficiency of single cell and multi cell Massive MIMO system MMSE estimation | |
CN110912588B (zh) | 一种基于改进Prony方法的下行时变信道预测方法 | |
Li et al. | CSI sensing from heterogeneous user feedbacks: A constrained phase retrieval approach | |
Zou et al. | Analog beamforming for millimeter-wave mimo systems via stochastic optimization | |
CN108965172B (zh) | 带有相位噪声的大规模mimo系统上行链路信道估计方法 | |
CN116319188A (zh) | 一种感知辅助的大规模mimo时变信道半盲估计方法 | |
CN106712818B (zh) | 一种预编码矩阵获取方法及装置 | |
CN106788639A (zh) | 一种大规模通道的硬件校正方法 | |
CN110336762B (zh) | 一种mimo系统的相位噪声补偿方法、系统及相关组件 | |
Doost-Mohammady et al. | Robustness of Distributed Multi-User Beamforming: An Experimental Evaluation | |
Bian et al. | Joint Activity-Delay Detection and Channel Estimation for Asynchronous Massive Random Access | |
Liu et al. | Compressive RF training and channel estimation in massive MIMO with limited RF chains | |
Yan et al. | Tracking sparse mmWave channel: Performance analysis under intra-cluster angular spread | |
Liu et al. | Joint Uplink and Downlink Channel Estimation for mmWave Massive MIMO Systems With Asymmetrical Transceiver Architecture | |
CN113395093B (zh) | 非线性系统的互易性失配校准方法和装置 |
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 |