CN108809460A - 一种稀疏活跃设备检测下的信号辅助信道估计的方法 - Google Patents

Abstract

本发明公开了一种稀疏活跃设备检测下信号辅助信道估计的方法，特征是首先所有的活跃设备同时发送他们的训练序列和信号；根据活跃设备发送的训练序列，用块正交匹配追踪算法估计活跃设备集合和信道信息；然后利用得到的信道状态信息，解出设备发送的数据信号；将解码出来的信号也当作训练序列重新做信道估计；利用更新过的信道信息，再次进行解码。采用本发明方法对于原先解码出错的部分设备，也可以正确解码了，并且得到更加准备的活跃设备数目；对于存在稀疏活跃设备检测的模型，采用本发明方法可以极大降低信道估计误差对解码的影响。

Description

一种稀疏活跃设备检测下的信号辅助信道估计的方法

技术领域

本发明属于大规模连接的通信领域中活跃设备检测和信道估计方法技术领域，具体涉及稀疏活跃设备检测下的信号辅助信道估计的方法。

背景技术

据电气和电子工程师协会(Institute ofElectrical and ElectronicsEngineers，IEEE)《通信学报》(64.11(2016):4680-4694)中指出，目前，5G设备和设备爆炸式增长渐渐超出了干扰受限的蜂窝系统的容量，使用传统的MAC协议估计每个设备的信道会非常低效；探索上行稀疏的活跃设备可以有效降低复杂的信令开销，但该工作需要估计所有设备的CSI，需要很长的码元时间用于发送设备的训练序列，会造成没有足够的时间用于解码；利用压缩感知技术探索上行活跃设备，可大大降低所需要估计信道状态的设备和信道估计所需要的时间，但得到的活跃设备集合和其信道状态信息都不够准确。活跃用户检测和传统的信号辅助信道估计相结合的技术目前有待进一步研究。信号辅助信道估计可以减少设备间的干扰，减少信道估计误差，控制误差传播，相当于增加了训练序列长度，这样训练序列的信号更加接近正交，可以获得更好的信道估计均方误差(Mean SquareError，MSE)和误帧率(Frame Error Rate，FER)性能。而信号辅助技术如何进一步提高活跃设备检测性能至今尚未见被研究。

发明内容

本发明的目的是提出一种稀疏活跃设备检测下信号辅助信道估计的方法，以克服现有技术活跃设备检测不够准确的缺点，减少活跃设备检测误差，从而减少信道估计误差以及其对解码的影响，更加有效地控制误差传播。

本发明稀疏活跃设备检测下信号辅助信道估计的方法，其特征在于按如下步骤进行：

第一步、所用的活跃设备同时发送他们的训练序列和信号数据，则基站得到相应的测量数据，第n个设备的信道响应h_n∈C^M×1，每个元素服从均值为0方差为σ²的复高斯分布，所有设备信道响应矩阵H:＝[h₁,h₂,…h_N]，所有设备导频矩阵x_n∈C^K×1是第n个设备所需要发送的训练序列，其中训练部分，得到信道估计测量矩阵

式中Z_τ是维度为M×K的噪声矩阵，该噪声矩阵每个元素服从均值为0方差为σ²的复高斯分布；

在数据传输部分，信号发送端产生N个维度为d×1的向量组成的块稀疏信号每个设备发送的信号数据都经过了循环冗余校验码(cyclicredundancy check，CRC)编码，只有活跃设备发送的信号是非零的；设p_n是第n个设备的预编码矩阵，第n个设备发送的信号序列x_dn＝P_ns_n∈C^T×1，得到信号测量矩阵

式中Z_d是维度为M×T的噪声矩阵，该噪声矩阵每个元素服从均值为0方差为σ²的复高斯分布；

第二步、利用块正交匹配追踪(block orthogonal matchingpursuit，BOMP)算法对所述信道估计测量矩阵Y_τ进行稀疏恢复，每次迭代检测出一个活跃设备，然后用前k个检测出来的设备的训练序列对信道估计测量矩阵Y_τ进行最小二乘，得到前k个活跃设备的信道信息

在第k次循环后，得到测量矩阵的残差

直到最后残差信号能量小于噪声能量，满足则认为检测完毕；如果所述残差能量未满足上述条件，则继续迭代检测下一个活跃设备；

根据所得到的活跃设备集合I和信道状态信息，估计出的活跃设备的信道状态为

第三步、利用得到的信道状态信息，解出设备发送的所述活跃设备发送的信号数据利用预编码矩阵将方程采用拉直处理

令每个用户有效的测量矩阵为则总测量矩阵B＝[B₁,B₂,…B_N]，

等效接收向量为y＝vec(Y)，对应的噪声向量为z＝vec(Z)，其中

则对应解码出的信号数据为

第四步、如果某个设备CRC校验错误并且对应信道响应非常小，则将该设备从集合I中剔除；则相比第二步，更新了活跃设备集合I；

将解码出来的信号，也当作训练序列，和原来的训练序列所有活跃用户的部分进行合并，这相当于大大增加了训练序列长度：

X_I＝[X_IτX_Id]，Y＝[Y_τY_d]，Z＝[Z_τZ_d]；

所合并的两个矩阵行数相同，合并后行数不变，进行横向拼接，对应的列数增加，合并后矩阵维度对应增加为Y∈C^M×(K+T)，Z∈C^M×(K+T)；

设是利用信号辅助方法得到的信道信息，I是估计出的活跃设备集合，则：重新估计出的信道信息

对应计算出的均方误差表示为

第五步、用信号辅助方法得到的活跃设备集合I和信道状态信息H再次进行解码，然后重复第三步，之前已经解码正确的设备，不用再次解码，所得到的误帧率将会降低。

由于本发明采取了将块稀疏恢复中涉及的信道估计技术与信号辅助信道估计技术相结合，同时利用信号数据辅助确定活跃设备检测，本发明方法需要首先使用压缩感知算法，检测出活跃设备的集合，同时解出的信号数据，除了用于确定H的值，还需要辅助确定活跃设备集合I。

本发明方法首先所有的活跃设备同时发送他们的训练序列和信号；根据活跃设备发送的训练序列，用块正交匹配追踪算法估计活跃设备集合和信道信息；然后利用得到的信道状态信息，解出设备发送的数据信号；将解码出来的信号也当作训练序列重新做信道估计；利用更新过的信道信息，再次进行解码。本发明方法同时降低了活跃用户检测误差和信道估计的误差；降低了信道估计误差对解码的影响，使得完美信道状态信息(channelstate information CSI)和非完美CSI下解码性能的差距降到最低。

采用本发明方法对于原先解码出错的部分设备，也可以正确解码了，并且得到更加准备的活跃设备数目；对于存在稀疏活跃设备检测的模型，采用本发明方法可以极大降低信道估计误差对解码的影响。

附图说明

图1为采用本发明方法在只用训练序列和使用信号辅助两种情况下的信道估计均方误差比较的仿真结果图；

图2为不同信道估计方法下解码误帧率比较，以及它们和完美CSI下的差距的仿真结果图；

图3为采用本发明方法在信号辅助信道估计下活跃设备检测概率的提升的仿真结果图。

具体实施方式

实施例1：

设有一个包含有N个设备的基站，有N_a个活跃设备同时发送他们的训练序列和数据信息，这些信息将送入基站的数据处理模块进行分析，基站将通过BOMP算法确定哪些设备是活跃的，有多少是活跃的，进一步得到活跃设备的信道状态和要传输的数据。

本实施例为稀疏活跃设备检测下的信号辅助信道估计的方法操作过程，具体按如下步骤进行：

第一步、所用的活跃设备同时发送他们的训练序列和信号数据，则基站可得到相应的测量数据，h_n∈C^M×1代表第n个设备的信道响应，每个元素服从均值为0方差为σ²的复高斯分布，所有设备信道响应矩阵H:＝[h₁,h₂,…h_N]，所有设备导频矩阵x_n∈C^K×1是第n个设备所需要发送的训练序列，该随机生成的测量矩阵基本满足压缩感知理论的(restricted isometryproperty)RIP条件；其中训练部分，得到信道估计测量矩阵Y_τ：

其中Z_τ是维度为M×K的噪声向量，所述噪声向量每个元素服从均值为0方差为σ²的复高斯分布。非活跃设备发送的h_nx_τn ^T数据是零矩阵，可以认为对应h_n为0矩阵，则信道响应矩阵H:＝[h₁,h₂,…h_N]为块稀疏结构。

在数据传输部分，信号发送端产生N个维度为d×1的向量组成的块稀疏信号但是只有活跃设备发送的信号是非零的；设p_n是第n个设备的预编码矩阵，预编码矩阵p_n也要每列进行归一化，x_dn＝P_ns_n∈C^T×1，得到测量矩阵Y_d

其中Z_d是维度为M×T的噪声向量，所述噪声向量每个元素服从均值为0方差为σ²的复高斯分布。

第二步、利用块正交匹配追踪(block orthogonal matchingpursuit，BOMP)算法对所述信道估计测量矩阵Y_τ进行稀疏恢复，每次迭代检测出一个活跃设备，然后用前k个检测出来的设备的训练序列对信道估计测量矩阵Y_τ进行最小二乘，得到前k个活跃设备的信道信息

在第k次循环后，得到测量矩阵的残差

直到最后残差信号能量小于噪声能量；满足则认为检测完毕；

在迭代过程中，当最后一个活跃设备被检测出来时，残差信号的能量往往会有一个明显的下降趋势，基于该趋势，认为当残差能量小于某个门限时，可以结束迭代。如果所述残差能量满足则认为检测完毕，此时得到的集合I包含部分非活跃设备，活跃设备基本都被正确检测出了，如果所述残差能量未满足上述条件，则继续迭代检测下一个活跃设备。

根据所得到的活跃设备集合I和信道状态信息，估计出的活跃设备的信道状态为

第三步、利用得到的信道状态信息，解出设备发送的所述活跃设备发送的信号数据每个设备发送的信号数据都经过了CRC编码；充分利用预编码矩阵，将方程采用拉直处理

令B＝[B₁,B₂,…B_N]，y＝vec(Y),z＝vec(Z)；则

每个设备的信号长度必须满足：MT＞N_ad，这样方程组才是有解的。这里采用了串行干扰消除(SIC)的思想，每次解一个设备，解对了之后，把他的影响从接收信号中减掉，这样既可以消除该设备对其他设备的干扰，也可以降低矩阵运算维度。每次求一个用户的B矩阵的伪逆，可以用如下方法降低求伪逆运算的复杂度

则对应解码出的信号数据为

第四步、如果某个设备CRC校验错误并且对应信道响应非常小，则将该设备从集合I中剔除。通过此方法，可以在保证解码正确率的情况下，降低了非活跃设备的虚警率，可以准备得到活跃设备的数目。则相比第二步，更新了活跃设备集合I。

将解码出来的信号，也当作训练序列，和与原来的训练序列所有活跃用户的部分进行合并，这相当于大大增加了训练序列长度：

X_I＝[X_Iτ X_Id]，Y＝[Y_τ Y_d]，Z＝[Z_τ Z_d] (8)

所合并的两个矩阵行数相同，合并后矩阵行数不变，进行横向拼接，对应的列数增加，合并后矩阵维度对应增加为Y∈C^M×(K+T)，Z∈C^M×(K+T)。

设是利用信号辅助方法得到的信道信息，I是估计出的活跃设备集合，则重新估计出的信道信息

对应计算出的均方误差可以表示为

虽然在实际操作过程中会有部分设备的解码是错误的，但采取本发明方法对信道估计性能还是有提高的。在解码错误不大的情况下，采用本发明方法得到的增益能够达到接近理论值。

第五步、用信号辅助方法得到的活跃设备集合I，和信道状态信息H，再次进行解码，然后重复第三步，之前已经解码正确的设备，不用再次解码；相比第三步，我们得到的误帧率将会降低。

完美CSI和非完美CSI的解码差距，可以通过等效信噪比计算出来：

那么系统等效的噪声就可以用以下的公式表达：将均方误差代入公式中，得到完美CSI和非完美CSI下的信噪比差距为δ_dB，如果只是用训练序列则

如果使用信号辅助检测方法

上述采用本发明方法实施的稀疏活跃设备检测下的信号辅助信道估计的效果可以由仿真图1、图2和图3表现出来。

图1给出了采用本发明方法在只用训练序列和使用信号辅助两种情况下的信道估计均方误差比较的仿真结果图；图2为不同信道估计方法下解码误帧率比较，以及它们和完美CSI下的差距的仿真结果图；图3为采用本发明方法在信号辅助信道估计下活跃设备检测概率的提升的仿真结果图。其中关于仿真参数的设置为：d＝200,T＝1000,N_a＝32；N＝1280,M＝8，测量矩阵和非零信号块的元素都由复高斯变量随机产生。

图1的仿真结果中，纵坐标为信道估计的均方误差(MSE mean square error)，横坐标为信噪比SNR(定义为1/σ²，单位为dB)；曲线标注中仅使用训练序列(pilot only)和使用信号辅助方法(data aided)下的仿真和理论结果，在低信噪比时，由于活跃设备漏检率比较大，信号辅助方法效果不明显；把正确解码的信号数据也看作导频，则相当于增加了导频长度。

图2的仿真中，纵坐标为信号恢复解码的误帧率(Frame error rate，FER)，仿真结果体现了本发明的目标。在Data aided信道估计方案下，解码的误差在完美CSI和非完美CSI下的FER的差距大概0.10dB，与理论值非常接近，而且此时的漏检率(MDP)和虚警率(FDP)都非常低，它们对于解码的影响都可以忽略不计。说明该方法大大降低了信道估计误差对解码的影响

图3的仿真中，纵坐标为活跃设备的漏检率MDP(Frame error rate)，仿真结果体现了信道辅助方法对活跃设备检测性能的提高。这个方法下，在数据辅助下排除不活跃的设备得到准确的Na。在这种方法下，虚检率可以进一步减少。这个时候活跃设备检测对解码几乎没有影响了(这也是本发明方案所要达到的最终目的)。这个时候只有信道估计的均方误差对解码是有影响的了。此时完美CSI和非完美CSI下的FER的理论差距与实际仿真结果符合的非常好。

目前，活跃设备检测技术与信道估计的结合已经广泛应用与当前的通信系统中，如物联网(IoT)机器终端智能交互(M2M)，这种方案可以不使用信令开销。使用信号辅助方案可以进一步提高活跃设备检测性能，降低信道估计误差，从而降低解码误差。

本发明方法首先所有的活跃设备同时发送他们的训练序列和信号；根据活跃设备发送的训练序列，用块正交匹配追踪算法估计活跃设备集合和信道信息；然后利用得到的信道状态信息，解出设备发送的数据信号；将解码出来的信号也当作训练序列重新做信道估计；利用更新过的信道信息，再次进行解码。本发明方法同时降低了活跃用户检测误差和信道估计的误差；降低了信道估计误差对解码的影响，使得完美信道状态信息(channelstate information CSI)和非完美CSI下解码性能的差距降到最低。

Claims (1)

1.一种稀疏活跃设备检测下信号辅助信道估计的方法，其特征在于按如下步骤进行：

第一步、所用的活跃设备同时发送他们的训练序列和信号数据，则基站得到相应的测量数据，第n个设备的信道响应h_n∈C^M×1，每个元素服从均值为0方差为σ²的复高斯分布，所有设备信道响应矩阵H:＝[h₁,h₂,…h_N]，所有设备导频矩阵x_n∈C^K×1是第n个设备所需要发送的训练序列，其中训练部分，得到信道估计测量矩阵

式中Z_τ是维度为M×K的噪声矩阵，其每个元素服从均值为0方差为σ²的复高斯分布；在数据传输部分，信号发送端产生N个维度为d×1的向量组成的块稀疏信号每个设备发送的信号数据都经过了循环冗余校验码CRC编码，只有活跃设备发送的信号是非零的；设p_n是第n个设备的预编码矩阵，第n个设备发送的信号序列x_dn＝P_ns_n∈C^T×1，得到信号测量矩阵

式中Z_d是维度为M×T的噪声矩阵，其每个元素服从均值为0方差为σ²的复高斯分布；

第二步、利用块正交匹配追踪BOMP算法对所述信道估计测量矩阵Y_τ进行稀疏恢复，每次迭代检测出一个活跃设备，然后用前k个检测出来的设备的训练序列对信道估计测量矩阵Y_τ进行最小二乘，得到前k个活跃设备的信道信息

在第k次循环后，得到测量矩阵的残差

直到最后残差信号能量小于噪声能量，满足则认为检测完毕；如果所述残差能量未满足上述条件，则继续迭代检测下一个活跃设备；

根据所得到的活跃设备集合I和信道状态信息，估计出的活跃设备的信道状态为

第三步、利用得到的信道状态信息，解出设备发送的所述活跃设备发送的信号数据利用预编码矩阵将方程采用拉直处理

令每个用户有效的测量矩阵为则总测量矩阵B＝[B₁,B₂,…B_N]，

等效接收向量为y＝vec(Y)，对应的噪声向量为z＝vec(Z)，其中

则对应解码出的信号数据为

第四步、如果某个设备CRC校验错误并且对应信道响应非常小，则将该设备从集合I中剔除；则相比第二步，更新了活跃设备集合I；

将解码出来的信号，也当作训练序列，和原来的训练序列所有活跃用户的部分进行合并，这相当于大大增加了训练序列长度：

X_I＝[X_Iτ X_Id]，Y＝[Y_τ Y_d]，Z＝[Z_τ Z_d]；

所合并的两个矩阵行数相同，合并后行数不变，进行横向拼接，对应的列数增加，合并后矩阵维度对应增加为Y∈C^M×(K+T)，Z∈C^M×(K+T)；

设是利用信号辅助方法得到的信道信息，I是估计出的活跃设备集合，则：重新估计出的信道信息

对应计算出的均方误差表示为

第五步、用信号辅助方法得到的活跃设备集合I和信道状态信息H再次进行解码，然后重复第三步，之前已经解码正确的设备，不用再次解码，所得到的误帧率将会降低。