CN108736938A - 用于大规模mimo上行链路信道估计和数据解调方法 - Google Patents

Abstract

本发明属于无线通信技术领域，涉及用于大规模MIMO上行链路信道估计和数据解调方法。本发明主要包括：首先对信道矢量的估计：假定相位噪声为0，作为迭代的初始值，计算信道矢量的后验分布的均值和方差，计算等效发射端相位噪声展开矢量的后验分布的均值和方差，对信道矢量的先验协方差矩阵D进行更新；实现对数据符号的估计，计算等效发射端相位噪声展开矢量的后验分布的均值和方差，计算数据符号的后验分布的均值和方差；在已知接收信号的条件下，信道矢量和数据符号矢量将收敛于一个稳定的值。本发明与传统变分贝叶斯推断算法相比，将信道估计的协方差矩阵的求逆运算转化为对角矩阵的求逆，从而该算法拥有较低的复杂度。

Description

用于大规模MIMO上行链路信道估计和数据解调方法

技术领域

本发明属于无线通信技术领域，涉及带有双端相位噪声的用于大规模MIMO上行链路信道估计和数据解调方法。

背景技术

在现代无线通信系统中，大规模MIMO系统由于其较高的频谱效率和能量效率而被广泛认为是下一代移动通信的核心技术，通常情况下，基站拥有几百根天线，可以在同时同频的条件下为数十个用户服务，从而显著提高频谱效率。随着基站天线数的增加，大规模MIMO的天线增益可以使每个用户的发送信号的功率显著降低，从而提高能量效率。

为了充分发挥大规模MIMO系统的优势，信道状态信息需要提前获得，然后在获得信道信息的情况下进行数据的判决和解调，然而，在大规模MIMO系统中进行信道和数据的估计往往是困难的，目前已经存在的一些算法都具有较高的复杂度，尤其是在相位噪声存在的情况下。大规模MIMO通信系统的信号在传输过程中，除了经历信道的衰落以外，还要受到射频器件非线性因素的影响，这两个因素使在接收端系统的性能降低。通信系统中射频前端的非理想部分主要包括相位噪声，IQ幅度相位不平衡，功率放大器非线性失真等，相位噪声，实际上是对频率源频率稳定度的一种表征。通常情况下，频率稳定度分为长期频率稳定度和短期频率稳定度。所谓短期频率稳定度，是指由随机噪声引起的相位起伏或频率起伏。至于因为温度、老化等引起的频率慢漂移，则称之为长期频率稳定度。通常主要考虑的是短期稳定度问题，可以认为相位噪声就是短期频率稳定度，只不过是一个物理现象的两种不同表示方式。对于振荡器，频率稳定度是它在整个规定的时间范围内产生相同频率的一种量度。如果信号频率存在瞬时的变化，不能保持不变，那么信号源就存在着不稳定性，起因就是相位噪声。在大规模MIMO通信系统中，发送端与接收端都需要产生相应的载波以完成相应的射频与基带间的频谱转换。然而产生载波的晶体振荡器与锁相环存在一定的差异性，造成了载波频率与目标频率存在短时的随机差异，进而造成所产生的正弦波信号发生随机相位跳变，表现为相位噪声。对于正交频分的调制方式，相位噪声会产生公共相位误差和载波间干扰，这将严重影响系统的性能。

发明内容

本发明的目的在于在基站和用户都有相位噪声存在的情况下，提供一种针对大规模MIMO-OFDM系统上行链路的信道估计和数据解调的快速算法，具有较低的复杂度，便于在硬件上实现。

本发明采用了变分贝叶斯推断算法，变分贝叶斯推断算法是一种求解未知随机变量的后验分布的算法，通过不断地迭代，得到样本已知的条件下的隐藏变量的均值与方差。

为了便于本领域内技术人员对本发明技术方案的理解，首先对本发明采用的系统模型进行说明。

考虑带有相位噪声的MIMO OFDM系统上行链路的模型，发射端有K个用户，每个用户有1根天线，接收端基站有M根天线，发射端第k个用户和接收端第m根天线之间的时域信道矢量记为其中L为信道矢量的长度。对于每个OFDM符号，接收端第m根天线的时域信号表达式为

其中，是第m根天线上的时域接收信号，N是OFDM子载波的个数，是接收端第m根天线的相位噪声矩阵，是发射端第k个用户的相位噪声矩阵，是第k个用户到接收端第m根天线之间的circulant信道矩阵，它的第1列为其中0_1×(N-L)表示元素全为0、长度为N-L的行矢量。F∈C^N×N是归一化的FFT矩阵，它的第i行第j个元素为d_k＝[d_k,1,d_k,2,…,d_k,N]^T是第k个用户发送的数据或者导频序列。是时域的复高斯白噪声序列，

可以分解为以下的形式：

其中H_m,k＝diag{[H_m,k,1,H_m,k,2,…,H_m,k,N]^T}，

且把(2)代入(1)得

将(3)改写为

表示非归一化FFT矩阵，它的第i行第j列元素为表示由的前L列组成的矩阵。记

将(4)改写为

下面统一把接收端的相位噪声矢量θ_r,m＝[θ_r,m,1,θ_r,m,2,…,θ_r,m,N]^T和发射端的相位噪声矢量θ_t,k＝[θ_t,k,1,θ_t,k,2,…,θ_t,k,N]^T统一记为θ＝[θ₁,θ₂,…,θ_N]^T，把和统一记为由于θ_n的值很小，可以利用近似关系则有p≈1+jθ，其中1表示元素全为1的N维列向量。

θ＝[θ₁,θ₂,…,θ_N]^T为实高斯分布的相位噪声矢量，即θ＝N(0,Φ)。由于θ的协方差矩阵Φ为实对称矩阵，其特征值是实数，并且可以用正交矩阵进行相似对角化：

Φ＝UΛU^T (6)

其中Λ＝diag{[λ₁,λ₂,…,λ_N]^T}是对角矩阵，对角元素为Φ的降序排列的特征值，U是正交矩阵，它的每一列是Λ对应列的特征值的特征向量。通过计算可以发现，Λ中的对角元只有前若干项的值较大，其它的元素和前若干项相比很小，因此可以只取前I项来近似，即

Φ≈VΓV^T (7)

Γ＝diag{[λ₁,λ₂,…,λ_I]^T}是以Λ中前I个特征值为对角元素的对角矩阵，V∈C^N×I是由前U的前I列组成的矩阵。对相位噪声矢量θ作线性变换

θ＝Ux'≈Vx (8)

由高斯分布的性质可知，x＝N(0,Γ)，由于Γ为对角阵，所以x的各个分量之间是相互独立的。由此，发射端相位噪声矩阵可以近似为P_t,k＝diag{1+jVx_t,k}，接收端相位噪声矩阵可以近似为P_r,m＝diag{1+jVx_r,m}，代入(5)可得

其中，是经过近似的矩阵。

现把接收端天线分成G组，则每组有M/G＝S根天线，每组的S根天线使用同一振荡器，则组内各天线上的相位噪声的值相同，即对于第g(g＝1,2,…,G)组内的天线，有 的先验概率密度函数为

h_m服从复高斯的先验分布

其中协方差矩阵

另一方面，假定符号序列d_k服从如下的先验复高斯分布，且不同用户之间的数据统计意义上是相互独立的

p(d_k)＝CN(0,I)＝π^-Nexp{-||d_k||²},k＝1,2,…,K (12)

如果利用传统的变分贝叶斯推断，计算信道矢量和数据符号的协方差矩阵时都要涉及大维度矩阵的求逆运算，这将大大增加算法复杂度，不利于在硬件上实现，如果进一步假定各个待估计矢量的各个元素的后验概率是相互独立的，再利用Kullback-Leibler散度求得新后验分布与原后验概率分布的最佳近似，可以获得简化形式的协方差矩阵。此外，接收端相位噪声也可等效到发射端，因此可以只求用户一端的相位噪声，实现与两端相位噪声的估计相近的效果。本发明通过上述一系列的近似手段来进行化简，从而使算法的复杂度显著降低。

本发明通过如下步骤实现：

S1、通过以下步骤的迭代来实现对信道矢量的估计：

S11、假定相位噪声为0，作为迭代的初始值；

S12、计算信道矢量的后验分布的均值和方差：

S13、计算等效发射端相位噪声展开矢量的后验分布的均值和方差：

S14、对信道矢量的先验协方差矩阵D进行更新；

S15、循环步骤S11—S15，在已知接收信号的条件下，信道矢量将收敛于一个稳定的值；

S2、通过以下步骤的迭代来实现对数据符号的估计：

S21、计算等效发射端相位噪声展开矢量的后验分布的均值和方差

S22、计算数据符号的后验分布的均值和方差

S23、循环步骤S21—S22，在已知接收信号的条件下，数据符号矢量将收敛于一个稳定的值。

本发明的有益效果为能够在相位噪声存在的条件下实现对大规模MIMO系统上行链路实现准确的信道和数据的估计，与传统变分贝叶斯推断算法相比，将信道估计的协方差矩阵的求逆运算转化为对角矩阵的求逆，从而该算法拥有较低的复杂度。

附图说明

图1是本发明使用的相位噪声影响下的大规模MIMO系统上行链路示意图；

图2是本发明使用的信道模型图；

图3是本发明实现信道估计算法的流程图；

图4是本发明的方法下的BER性能曲线图。

具体实施方式

下面结合附图说明本发明的实际效果。

本发明主要包括：

S1、通过以下步骤的迭代来实现对信道矢量的估计：

S11、假定相位噪声为0，作为迭代的初始值；

S12、计算信道矢量的后验分布的均值和方差：

其中，

S13、计算等效发射端相位噪声展开矢量的后验分布的均值和方差：

其中，是circulant矩阵，它的第1列为其中是的后验概率的均值，表示把分成K×K的分块矩阵后，第j行第k列个块对应的子矩阵，⊙表示矩阵的对应元素相乘。

S14、对信道矢量的先验协方差矩阵D进行更新；

S15、循环步骤S11—S15，在已知接收信号的条件下，信道矢量将收敛于一个稳定的值；

S2、通过以下步骤的迭代来实现对数据符号的估计：

S21、计算等效发射端相位噪声展开矢量的后验分布的均值和方差

S22、计算数据符号的后验分布的均值和方差

S23、循环步骤S21—S22，在已知接收信号的条件下，数据符号矢量将收敛于一个稳定的值。

图4是利用本发明的算法进行信道和数据符号估计后的系统BER曲线图，调制方式采用64QAM，相位噪声水平为-95dBc/Hz@1MHz，天线分组数为8，信道长度为64，用于估计信道的导频采用相位均匀分布的复指数符号，基站天线数为64，用户数为5，OFDM子载波个数为512，算法迭代次数为2。从图中可以看出，在没有利用本发明的算法进行相位噪声补偿的情况下，系统性能很差，本发明的算法可以有效抑制相位噪声带来的不利影响。同时，图中也画出了传统变分贝叶斯推断算法的性能曲线，由于本发明的算法属于该算法的近似，该算法的理论性能应优于本发明的算法，但是图中可以看出两条曲线基本重合，本发明的算法的复杂度远低于传统贝叶斯推断算法，因此本发明的算法更具实用价值。

Claims (1)

1.用于大规模MIMO上行链路信道估计和数据解调方法，设定系统发射端有K个用户，每个用户有1根天线，接收端基站有M根天线，发射端第k个用户和接收端第m根天线之间的时域信道矢量记为其中L为信道矢量的长度，对于每个OFDM符号，接收端第m根天线的时域信号表达式为

其中，是第m根天线上的时域接收信号，N是OFDM子载波的个数，是接收端第m根天线的相位噪声矩阵，是发射端第k个用户的相位噪声矩阵，是第k个用户到接收端第m根天线之间的circulant信道矩阵，它的第1列为其中0_1×(N-L)表示元素全为0、长度为N-L的行矢量，F∈C^N×N是归一化的FFT矩阵，它的第i行第j个元素为d_k＝[d_k,1,d_k,2,…,d_k,N]^T是第k个用户发送的数据或者导频序列，是时域的复高斯白噪声序列，

分解为以下的形式：

其中H_m,k＝diag{[H_m,k,1,H_m,k,2,…,H_m,k,N]^T}，

且把(2)代入(1)得

将(3)改写为

表示非归一化FFT矩阵，它的第i行第j列元素为 表示由的前L列组成的矩阵，记

将(4)改写为

统一把接收端的相位噪声矢量θ_r,m＝[θ_r,m,1,θ_r,m,2,…,θ_r,m,N]^T和发射端的相位噪声矢量θ_t,k＝[θ_t,k,1,θ_t,k,2,…,θ_t,k,N]^T统一记为θ＝[θ₁,θ₂,…,θ_N]^T，把和统一记为由于θ_n的值很小，利用近似关系则有p≈1+jθ，其中1表示元素全为1的N维列向量；

θ＝[θ₁,θ₂,…,θ_N]^T为实高斯分布的相位噪声矢量，即θ＝N(0,Φ)，由于θ的协方差矩阵Φ为实对称矩阵，其特征值是实数，并且可以用正交矩阵进行相似对角化：

Φ＝UΛU^T (6)

其中Λ＝diag{[λ₁,λ₂,…,λ_N]^T}是对角矩阵，对角元素为Φ的降序排列的特征值，U是正交矩阵，它的每一列是Λ对应列的特征值的特征向量；Λ中的对角元只有前若干项的值较大，其它的元素和前若干项相比很小，因此只取前I项来近似，即

Φ≈VΓV^T (7)

Γ＝diag{[λ₁,λ₂,…,λ_I]^T}是以Λ中前I个特征值为对角元素的对角矩阵，V∈C^N×I是由前U的前I列组成的矩阵，对相位噪声矢量θ作线性变换

θ＝Ux'≈Vx (8)

由高斯分布的性质可知，x＝N(0,Γ)，由于Γ为对角阵，所以x的各个分量之间是相互独立的；由此，将发射端相位噪声矩阵近似为P_t,k＝diag{1+jVx_t,k}，接收端相位噪声矩阵近似为P_r,m＝diag{1+jVx_r,m}，代入(5)可得

其中，是经过近似的矩阵；

把接收端天线分成G组，则每组有M/G＝S根天线，每组的S根天线使用同一振荡器，则组内各天线上的相位噪声的值相同，即对于第g(g＝1,2,…,G)组内的天线，有 的先验概率密度函数为

h_m服从复高斯的先验分布

其中协方差矩阵

同时，设定符号序列d_k服从如下的先验复高斯分布，且不同用户之间的数据统计意义上是相互独立的

p(d_k)＝CN(0,I)＝π^-Nexp{-||d_k||²},k＝1,2,…,K (12)

其特征在于，包括以下步骤：

S1、通过以下步骤的迭代来实现对信道矢量的估计：

S11、假定相位噪声为0，作为迭代的初始值；

S12、计算信道矢量的后验分布的均值和方差：

S13、计算等效发射端相位噪声展开矢量的后验分布的均值和方差：

S14、对信道矢量的先验协方差矩阵D进行更新；

S15、循环步骤S11-S15，在已知接收信号的条件下，信道矢量将收敛于一个稳定的值；

S2、通过以下步骤的迭代来实现对数据符号的估计：

S21、计算等效发射端相位噪声展开矢量的后验分布的均值和方差

S22、计算数据符号的后验分布的均值和方差

S23、循环步骤S21-S22，在已知接收信号的条件下，数据符号矢量将收敛于一个稳定的值。