CN108667494B - 一种大规模mimo通信系统的联合信道估计和用户分组方法 - Google Patents

一种大规模mimo通信系统的联合信道估计和用户分组方法 Download PDF

Info

Publication number
CN108667494B
CN108667494B CN201810253185.5A CN201810253185A CN108667494B CN 108667494 B CN108667494 B CN 108667494B CN 201810253185 A CN201810253185 A CN 201810253185A CN 108667494 B CN108667494 B CN 108667494B
Authority
CN
China
Prior art keywords
represent
matrix
vector
user
alpha
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
Application number
CN201810253185.5A
Other languages
English (en)
Other versions
CN108667494A (zh
Inventor
戴继生
汪剑豪
鲍煦
张文策
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dragon Totem Technology Hefei Co ltd
Hunan Haoyu Intelligent Technology Co.,Ltd.
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201810253185.5A priority Critical patent/CN108667494B/zh
Publication of CN108667494A publication Critical patent/CN108667494A/zh
Application granted granted Critical
Publication of CN108667494B publication Critical patent/CN108667494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L25/0202—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

本发明公开了一种大规模MIMO通信系统的联合信道估计和用户分组方法。包括1：基站采用N根天线的均匀线性阵列，下行链路K个用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，用户接收信号；2：设置用户组数为G，初始化l＝1，α＝1，各组的精度向量
Figure DDA0001722794210000011
中各元素为1，各用户独立的精度向量
Figure DDA0001722794210000012
中的各元素为1，分组计数向量
Figure DDA0001722794210000013
中的各元素为1/G；3：迭代更新α，
Figure DDA0001722794210000014
和
Figure DDA0001722794210000015
4：判断迭代计数变量l是否达到上限L或α是否收敛，如果都不满足，则l＝l+1，并返回3；5：设置门限ηk，利用该门限选取信道的有效角度集合Ωk；6：利用有效角度集合Ωk，估计最终的信道；7：输出最终的用户分组结果。

Description

一种大规模MIMO通信系统的联合信道估计和用户分组方法
技术领域
本发明属于无线通信领域，涉及一种多输入多输出(Multi-input Multi-output，MIMO)通信系统的下行链路信道估计和用户分组方法，具体地说是一种基于稀疏贝叶斯学习的大规模MIMO通信系统的联合信道估计和用户分组方法。
背景技术
多输入多输出(Multi-input Multi-output，MIMO)技术已成为未来通信系统的核心技术之一，同时也将是无线局域网标准所采用的核心技术之一。大规模MIMO通信系统是指在基站覆盖区域内以大规模阵列方式集中放置数十根甚至数百根以上的天线。由于拥有数以百计的天线单元，大规模MIMO系统的空间自由度较高，利用波束形成技术可以将能量集中于较小的区域，极大地提高了传输速率并改善了能量效率。大规模MIMO系统有望从根本上解决移动通信的频谱效率和能量效率问题，其已成为5G移动通信的重要技术之一。
信道估计是通信信号检测和自适应传输的基础，对通信系统的性能起着至关重要的作用。由于基站的天线数较多，大规模MIMO系统的下行链路信道估计变得异常困难，人们已尝试从稀疏信号恢复的角度，提出了一些基于稀疏贝叶斯学习的下行链路信道估计方法。例如在文献Dai J.,Liu A.,and Lau V.K,FDD Massive MIMO Channel Estimationwith Arbitrary 2D-Array Geometry,IEEE Transactions on Signal Processing,DOI:10.1109/TSP.2018.2807390中提出了一种基于离格优化的稀疏贝叶斯学习的信道估计方法。但是，现有方法并不能满足实际应用需求，特别是：距离上相近的移动用户之间可能具有相似的稀疏特性，若能将具有相似稀疏特性的用户聚类为若干组，充分利用每组中相似的稀疏特性，可进一步提高信道估计的性能。
发明内容
针对现有方法的不足，本发明将提出一种基于稀疏贝叶斯学习(Sparse BayesianLearning,SBL)的大规模MIMO通信系统的联合信道估计和用户分组方法。
用于实现本发明的技术解决方案包括如下步骤：
步骤1：基站采用一个具有N根天线的均匀线性阵列，下行链路中的K个移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则第k个移动用户接收到的信号为yk＝Φwk+nk，k＝1,2,...,K。
步骤2：设置用户的组数为G，初始化迭代计数变量l＝1，初始化噪声精度α＝1，初始化各组的精度向量
Figure GDA0002233731690000021
中的各元素为1，g＝1,2,...,G，初始化各用户独立的精度向量中的各元素为1，k＝1,2,...,K，初始化分组计数向量
Figure GDA0002233731690000023
中的各元素为1/G，k＝1,2,...,K。
步骤3：迭代更新α，
Figure GDA0002233731690000024
和
Figure GDA0002233731690000025
g＝1,2,...,G,k＝1,2,...,K。
步骤4：判断迭代计数变量l是否达到上限L或α是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3。
步骤5：设置门限ηk，并利用该门限选取信道的有效角度集合Ωk，k＝1,2,...,K。
步骤6：利用有效角度集合Ωk，k＝1,2,...,K，估计最终的信道。
步骤7：输出最终的用户分组结果。
本发明的有益效果：
本发明能自动将具有相似稀疏特性的用户聚类为若干组，由于充分利用了每组中相似的稀疏特性，与现有方法相比，本发明能极大地改善信道估计的性能。
附图说明
图1是本发明实施流程图。
图2是200次蒙特卡洛实验条件下，信噪比为0dB时，导频时刻T由30到80变化时，本发明与原始SBL方法分别估计信道的归一化均方根误差(NMSE)比较。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
(1)基站采用一个具有N根天线的均匀线性阵列，下行链路中的K个移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则第k个移动用户接收到的信号为yk＝Φwk+nk，k＝1,2,...,K，其中：
Figure GDA0002233731690000026
Φ＝XA称为测量矩阵，
Figure GDA0002233731690000027
A＝[a(θ1),a(θ2),…,a(θN)]，
Figure GDA0002233731690000028
a(θi)＝[1,exp(-jπsin(θi)),...,exp(-jπ(N-1)sin(θi))]T，
Figure GDA0002233731690000029
Figure GDA00022337316900000210
表示均匀划分的N个网格点，即
Figure GDA00022337316900000213
Figure GDA00022337316900000214
Figure GDA00022337316900000215
是与第k个移动用户分组有关的稀疏表示向量，
Figure GDA00022337316900000216
表示与第k个移动用户分组独立的稀疏表示向量，
Figure GDA0002233731690000031
nk表示第k个移动用户对应的一个均值为0，精度为α的高斯白噪声向量。
(2)设置用户的组数为G，初始化迭代计数变量l＝1，初始化噪声精度α＝1，初始化各组的精度向量
Figure GDA0002233731690000032
中的各元素为1，g＝1,2,...,G，初始化各用户独立的精度向量
Figure GDA0002233731690000033
中的各元素为1，k＝1,2,...,K，初始化分组计数向量
Figure GDA0002233731690000034
中的各元素为1/G，k＝1,2,...,K。
(3)迭代更新α，
Figure GDA0002233731690000035
和
Figure GDA0002233731690000036
g＝1,2,...,G,k＝1,2,...,K，即：
Figure GDA0002233731690000038
Figure GDA0002233731690000039
Figure GDA00022337316900000310
其中：
Figure GDA00022337316900000311
tr(·)表示矩阵的迹，||·||2表示矩阵的2范数，(·)H表示共轭转置，diag(·)表示对角阵运算，a＝b＝ρ＝0.0001，
Figure GDA00022337316900000314
表示
Figure GDA00022337316900000315
的前N个元素组成的子向量，
Figure GDA00022337316900000316
表示
Figure GDA00022337316900000317
的后N个元素组成的子向量，
Figure GDA00022337316900000318
Figure GDA00022337316900000319
Figure GDA00022337316900000320
Figure GDA00022337316900000321
表示的前N行前N列组成的子矩阵，
Figure GDA00022337316900000323
表示的后N行后N列组成的子矩阵，
Figure GDA00022337316900000325
表示
Figure GDA00022337316900000326
的前N行后N列组成的子矩阵，
Figure GDA00022337316900000327
表示
Figure GDA00022337316900000328
的后N行前N列组成的子矩阵,
Figure GDA00022337316900000329
Figure GDA0002233731690000041
Figure GDA0002233731690000042
Figure GDA0002233731690000043
Figure GDA0002233731690000044
表示
Figure GDA0002233731690000045
的第i个元素，
Figure GDA0002233731690000046
表示
Figure GDA0002233731690000047
的第i个对角线元素，
Figure GDA0002233731690000048
Figure GDA0002233731690000049
表示
Figure GDA00022337316900000410
的第i个元素，
Figure GDA00022337316900000411
表示
Figure GDA00022337316900000412
的第i个对角线元素，
Figure GDA00022337316900000413
Figure GDA00022337316900000414
(4)判断迭代计数变量l是否达到上限L(例如L＝100)或α是否收敛(即当次更新结果与上次更新结果是否相等)，如果都不满足，则迭代计数变量l＝l+1，并返回(3)。
(5)设置门限
Figure GDA00022337316900000415
其中
Figure GDA00022337316900000416
表示
Figure GDA00022337316900000417
中第i个值最大的元素，并利用该门限选取信道的有效角度集合
Figure GDA00022337316900000418
其中
Figure GDA00022337316900000419
表示
Figure GDA00022337316900000420
中第i个元素。
(6)利用有效角度集合Ωk，估计最终的信道：
Figure GDA00022337316900000421
其中
Figure GDA00022337316900000422
表示由矩阵中集合Ωk对应的列向量组成的子矩阵，
Figure GDA00022337316900000423
表示矩阵的广义逆。
(7)输出最终的用户分组结果：zk中值最大元素所在的位置对应于第k个用户的分组，k＝1,2,...,K。
下面结合仿真实验对本发明的效果做进一步说明。
为了评估本方法的性能，假设基站采用了一个具有N＝80根天线的均匀线性阵列，K＝30个移动用户数随机均匀划分为G＝4组，下行链路的工作频率为2170MHz，无线信道由3GPP spatial channel model(SCM)模型随机产生，基站发送导频信号矩阵X的每个元素服从零均值单位方差的独立高斯分布，背景噪声假设为高斯白噪声。
实验条件
采用本发明在信噪比为0dB，导频时刻T由30到80变化时对信道进行200次估计，仿真结果如图2所示。
实验分析
从图2可以看出，本发明能精确地估计出大规模MIMO通信系统的信道信息，其NMSE性能明显优于传统方法。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (3)

1.一种大规模MIMO通信系统的联合信道估计和用户分组方法，其特征在于，包括如下步骤：
步骤1：基站采用一个具有N根天线的均匀线性阵列，下行链路中的K个移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，移动用户接收信号；
步骤2：设置用户的组数为G，初始化迭代计数变量l＝1，初始化噪声精度α＝1，初始化各组的精度向量
Figure FDA0002233731680000011
中的各元素为1，g＝1,2,...,G，初始化各用户独立的精度向量
Figure FDA0002233731680000012
中的各元素为1，k＝1,2,...,K，初始化分组计数向量
Figure FDA0002233731680000013
中的各元素为1/G，k＝1,2,...,K；
步骤3：迭代更新α，
Figure FDA0002233731680000014
和
Figure FDA0002233731680000015
g＝1,2,...,G,k＝1,2,...,K；
步骤4：判断迭代计数变量l是否达到上限L或α是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3；
步骤5：设置门限ηk，并利用该门限选取信道的有效角度集合Ωk，k＝1,2,...,K；
步骤6：利用有效角度集合Ωk，k＝1,2,...,K，估计最终的信道；
步骤7：输出最终的用户分组结果；
所述步骤3的具体实现包括：
Figure FDA0002233731680000016
Figure FDA0002233731680000017
Figure FDA0002233731680000018
Figure FDA0002233731680000019
其中：
tr(·)表示矩阵的迹，||·||2表示矩阵的2范数，(·)H表示共轭转置，diag(·)表示对角阵运算，a＝b＝ρ＝0.0001，
Figure FDA0002233731680000021
Figure FDA0002233731680000022
表示
Figure FDA0002233731680000023
的前N个元素组成的子向量，
Figure FDA0002233731680000024
表示
Figure FDA0002233731680000025
的后N个元素组成的子向量，
Figure FDA0002233731680000026
Figure FDA0002233731680000027
表示
Figure FDA0002233731680000028
的前N行前N列组成的子矩阵，
Figure FDA0002233731680000029
表示
Figure FDA00022337316800000210
的后N行后N列组成的子矩阵，
Figure FDA00022337316800000211
表示的前N行后N列组成的子矩阵，
Figure FDA00022337316800000213
表示
Figure FDA00022337316800000214
的后N行前N列组成的子矩阵，
Figure FDA00022337316800000215
Figure FDA00022337316800000216
表示的第i个元素，
Figure FDA00022337316800000218
表示
Figure FDA00022337316800000219
的第i个对角线元素，
Figure FDA00022337316800000220
表示
Figure FDA00022337316800000221
的第i个元素，
Figure FDA00022337316800000222
表示
Figure FDA00022337316800000223
的第i个对角线元素，
Figure FDA00022337316800000224
所述步骤5中门限ηk的表达式为：
Figure FDA00022337316800000225
其中表示中第i个值最大的元素；
所述利用该门限选取信道的有效角度集合Ωk的表达式为：
Figure FDA00022337316800000228
其中
Figure FDA00022337316800000229
表示中第i个元素；
所述利用有效角度集合Ωk估计最终的信道的表达式为：
Figure FDA00022337316800000231
k＝1,2,...,K，其中
Figure FDA00022337316800000232
表示由矩阵中集合Ωk对应的列向量组成的子矩阵，
Figure FDA00022337316800000233
表示矩阵的广义逆；
所述步骤7中最终的用户分组结果为：zk中值最大元素所在的位置对应于第k个用户的分组，k＝1,2,...,K；
其中，Φ为测量矩阵。
2.根据权利要求1所述的一种大规模MIMO通信系统的联合信道估计和用户分组方法，其特征在于，移动用户接收到的信号表示为：yk＝Φwk+nk，k＝1,2,…,K；yk表示第k个移动用户接收到的信号，Φ＝XA称为测量矩阵，A＝[a(θ1),a(θ2),...,a(θN)]，a(θi)＝[1,exp(-jπsin(θi)),...,exp(-jπ(N-1)sin(θi))]T，
Figure FDA00022337316800000234
表示均匀划分
Figure FDA00022337316800000235
的N个网格点，即
Figure FDA0002233731680000031
是与第k个移动用户分组有关的稀疏表示向量，
Figure FDA0002233731680000033
表示与第k个移动用户分组独立的稀疏表示向量，nk表示第k个移动用户对应的一个均值为0，精度为α的高斯白噪声向量。
3.根据权利要求1所述的一种大规模MIMO通信系统的联合信道估计和用户分组方法，其特征在于，所述步骤4中α收敛是指当次更新结果与上次更新结果相等。
CN201810253185.5A 2018-03-26 2018-03-26 一种大规模mimo通信系统的联合信道估计和用户分组方法 Active CN108667494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810253185.5A CN108667494B (zh) 2018-03-26 2018-03-26 一种大规模mimo通信系统的联合信道估计和用户分组方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810253185.5A CN108667494B (zh) 2018-03-26 2018-03-26 一种大规模mimo通信系统的联合信道估计和用户分组方法

Publications (2)

Publication Number Publication Date
CN108667494A CN108667494A (zh) 2018-10-16
CN108667494B true CN108667494B (zh) 2020-01-24

Family

ID=63782619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810253185.5A Active CN108667494B (zh) 2018-03-26 2018-03-26 一种大规模mimo通信系统的联合信道估计和用户分组方法

Country Status (1)

Country Link
CN (1) CN108667494B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020248092A1 (zh) * 2019-06-10 2020-12-17 深圳大学 基于加权集成聚类算法的mimo系统的盲多径识别方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105119853B (zh) * 2015-08-25 2018-03-20 电子科技大学 一种基于贝叶斯方法的多用户大规模mimo信道估计方法
CN106453163A (zh) * 2016-10-11 2017-02-22 电子科技大学 一种Masssive MIMO信道估计方法
CN107046433B (zh) * 2017-04-26 2019-12-03 江苏大学 一种大规模mimo系统上行链路低复杂度迭代检测算法
CN107302386B (zh) * 2017-06-20 2020-03-31 江苏大学 一种基于矩阵多项式的大规模mimo系统下行预编码方法
CN107634787A (zh) * 2017-08-22 2018-01-26 南京邮电大学 一种大规模mimo毫米波信道估计的方法

Also Published As

Publication number Publication date
CN108667494A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108337199B (zh) 一种基于稀疏贝叶斯学习的大规模mimo通信系统的下行链路信道估计方法
CN108832976B (zh) 一种大规模mimo系统的上行链路信道估计方法
CN109104225B (zh) 一种能效最优的大规模mimo波束域多播传输方法
CN107135024A (zh) 一种低复杂度的混合波束赋形迭代设计方法
CN109474388B (zh) 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法
CN110208735A (zh) 一种基于稀疏贝叶斯学习的相干信号doa估计方法
CN106850013B (zh) 一种上行链路大规模mimo系统的信号检测方法
CN108199987B (zh) 一种fdd大规模mimo系统中的下行链路信道估计方法
CN105071843B (zh) 大规模mimo系统低复杂度多项式展开矩阵求逆方法及应用
CN105471775B (zh) 一种大规模mimo系统中低复杂度的信道估计方法
CN103929382B (zh) 一种大规模mimo系统的大尺度衰落估计方法与装置
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
CN109768816A (zh) 一种非高斯噪声3d-mimo系统数据检测方法
CN109639604A (zh) 一种基于实值稀疏贝叶斯学习的大规模mimo通信系统的下行链路信道估计方法
CN115208442A (zh) 一种超大规模阵列通信系统的两阶段波束训练方法
Banoori et al. Pilot contamination mitigation under smart pilot allocation strategies within massive MIMO-5G system
CN108667494B (zh) 一种大规模mimo通信系统的联合信道估计和用户分组方法
CN108494445B (zh) 大规模mimo中基于上行信道信息辅助的下行信道估计方法
CN117614781A (zh) 基于ris的两阶段超分辨率参数信道估计方法及装置
CN109787672B (zh) 基于参数学习的大规模mimo格点偏移信道估计方法
CN110086734B (zh) 一种时变大规模mimo系统中的信道追踪和恢复方法
Liu et al. Channel estimation and device detection for reconfigurable intelligent surface aided massive IOT networks with mixed-ADCs
CN107426119B (zh) 毫米波通信的十字形信道估计方法、装置及系统
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
Huang et al. Deep stochastic optimization for algorithm-specific pilot design in massive MIMO

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230425

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301

Patentee before: JIANGSU University

Effective date of registration: 20230425

Address after: 410000, 1st and 2nd seams of Building B-18, Wangchengpo Commercial City, Wangchengpo Street, Yuelu District, Changsha City, Hunan Province (Building 26 of the Commercial City), 1.2 seams, 501 seams

Patentee after: Hunan Haoyu Intelligent Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.