CN108964725B - 时变大规模mimo网络中信道参数的稀疏估计方法 - Google Patents

时变大规模mimo网络中信道参数的稀疏估计方法 Download PDF

Info

Publication number
CN108964725B
CN108964725B CN201810801561.XA CN201810801561A CN108964725B CN 108964725 B CN108964725 B CN 108964725B CN 201810801561 A CN201810801561 A CN 201810801561A CN 108964725 B CN108964725 B CN 108964725B
Authority
CN
China
Prior art keywords
value
virtual channel
time slot
cellular network
cell user
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
CN201810801561.XA
Other languages
English (en)
Other versions
CN108964725A (zh
Inventor
张顺
张海潮
李红艳
马建鹏
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN201810801561.XA priority Critical patent/CN108964725B/zh
Publication of CN108964725A publication Critical patent/CN108964725A/zh
Application granted granted Critical
Publication of CN108964725B publication Critical patent/CN108964725B/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
    • H04L25/0222—Estimation of channel variability, e.g. coherence bandwidth, coherence time, fading frequency
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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
    • H04L25/03987—Equalisation for sparse channels

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种时变大规模MIMO网络中信道参数的稀疏估计方法，其步骤为：构建基站接收信号的虚拟信道稀疏信号模型；从未选取的时隙中选取时隙序号最小的时隙；利用卡尔曼滤波器，计算虚拟信道方差值；计算虚拟信道值；计算每个蜂窝网小区用户在每个时隙中的虚拟信道自相关后验统计概率；计算每个蜂窝网小区用户在每个相邻时隙中的虚拟信道互相关后验统计概率；联合估计每个蜂窝网小区用户的虚拟信道转移状态值和虚拟信道转移状态噪声方差值；利用低复杂度搜索算法，估计每个蜂窝网小区用户的信道稀疏性参数。本发明具有可应用于时变大规模MIMO网络的优点。

Description

时变大规模MIMO网络中信道参数的稀疏估计方法
技术领域
本发明属于通信技术领域，更进一步涉及无线通信技术领域中的一种时变大规模多输入多输出MIMO(Multiple-Input Multiple-Output)网络中信道参数的稀疏估计方法。本发明可用于估计无线通信信道中的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数，基站使用这些参数恢复蜂窝网小区用户的发送信号。
背景技术
大规模MIMO网络由于频谱效率高，信道容量大，抗干扰能力强等优点，已经成为满足下一代蜂窝网络容量需求的核心技术。信道状态信息估计作为接收端恢复发送信号的关键环节，对其进行研究具有重大的现实意义。目前常采用的信道估计方法是稀疏信道估计算法。由于利用了信道的稀疏性，该类算法不仅信道估计精确度高，而且导频开销较低。但是计算复杂度高，对系统实时性要求较高，在时变的大规模MIMO网络中算法性能较低。
电子科技大学在其申请的专利文献“一种多用户大规模MIMO系统中的迭代信道估计方法”(申请号201510527405.5，申请公开号CN105049385A)中公开了一种频分双工模式下的单天线多用户大规模MIMO系统的信道估计方法。该方法在贝叶斯压缩感知框架下，利用多用户大规模MIMO信道的联合稀疏性降低信道估计开销。其基本模型是一个基站服务多个移动用户，基站端配置了大规模天线阵，移动用户配置单天线，利用信道的联合稀疏性，引入基于贝叶斯方法的迭代算法进行信道估计。该方法能够有效减少信道估计的开销，使得信道估计的时间远小于信道的相干时间，但是，该方法仍然存在的不足之处是，不适用于时分双工模式。
安徽师范大学在其申请的专利文献“TDD大规模MIMO系统多用户联合信道估计方法”(申请号201610561361.2，申请公开号CN106130938A)中公开了一种面向大规模MIMO通信系统的上行链路多用户联合信道估计方法。该方法首先通过虚拟信道描述实现物理信道矩阵的稀疏表示，接着将目标小区和干扰小区的多用户联合信道估计建模为压缩感知框架里的二维稀疏信号重构，然后通过二维稀疏信号重构算法联合估计出多用户的信道状态信息。该多用户联合信道估计方法能够大幅度地减少导频数目，并能消除导频污染的干扰和提高信道估计的精度。但是，该方法仍然存在的不足之处是，在对物理信道矩阵进行稀疏表示时没有考虑网络的时变性，无法应用于时变的大规模MIMO网络。
发明内容
本发明的目的在于针对上述现有技术的不足，提供了一种时变大规模MIMO网络中信道参数的稀疏估计方法。
本发明的具体思路是，对于一个基站管控多个蜂窝网小区，基站在连续的多个时隙内只与一个移动的蜂窝网小区用户通信，基站与每个蜂窝网小区用户间的信道在一个时隙内保持不变，相邻的时隙间动态时变的通信场景，通过构建基站接收信号的虚拟信道稀疏信号模型，利用卡尔曼滤波器和低复杂度搜索算法估计虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数。
为了实现上述目的，本发明的具体实现步骤如下：
(1)构建基站接收信号的虚拟信道稀疏信号模型如下：
Figure GDA0002909135290000021
其中，Ym表示在第m个时隙基站接收信号的虚拟信道稀疏信号，τ表示与基站进行当前通信的蜂窝网小区中用户的总数，Σ表示求和操作，k表示与基站进行当前通信的蜂窝网小区用户的序号，FG表示G×G大小的归一化傅里叶矩阵，G表示基站的天线数，H表示共轭转置操作，diag(ck)表示对角线元素为第k个蜂窝网小区用户的信道稀疏参数ck的对角矩阵，rk,m表示第k个蜂窝网小区用户在第m个时隙上对应的虚拟信道值，sk表示第k个蜂窝网小区用户的发送信号，T表示转置操作，Nm表示第m个时隙对应的信道的独立加性高斯白噪声；
(2)从未选取的时隙中选取时隙序号最小的时隙；
(3)利用卡尔曼滤波器，计算虚拟信道方差值：
(3a)利用方差值预测公式，计算所选时隙上的每个蜂窝网小区用户的虚拟信道方差值的预测值；
(3b)利用卡尔曼滤波器参数公式，通过虚拟信道方差值的预测值，计算卡尔曼滤波器参数；
(3c)求所选时隙上每个蜂窝网小区用户的增益参数、虚拟信道方差值的预测值和卡尔曼滤波器参数值的乘积，再用所选时隙上每个蜂窝网小区用户的虚拟信道方差值的预测值减去该乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道方差值；
(4)计算虚拟信道值：
(4a)求所选时隙上每个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态值与该蜂窝网小区用户在前一个时隙上的虚拟信道的预测值的乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道的预测值；
(4b)求所选时隙上每个蜂窝网小区用户的增益参数、虚拟信道的预测值和卡尔曼滤波器参数值的乘积，再用所选时隙上每个蜂窝网小区用户的虚拟信道的预测值减去该乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道值；
(5)判断是否存在最小的未选取时隙，若是，则执行步骤(2)，否则，执行步骤(6)；
(6)判断是否存在未选取的时隙，若是，则选取未选取的时隙后执行步骤(3)，否则，执行步骤(7)；
(7)按照下式，通过虚拟信道值和虚拟信道方差值，计算每个蜂窝网小区用户在每个时隙中的虚拟信道自相关后验统计概率：
Figure GDA0002909135290000031
其中，Θk,m表示第k个蜂窝网小区用户在第m个时隙的虚拟信道自相关后验统计概率，rk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道值，Ψk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道方差值；
(8)按照下式，通过虚拟信道值和虚拟信道方差值，计算每个蜂窝网小区用户在每个相邻时隙中的虚拟信道互相关后验统计概率：
Figure GDA0002909135290000032
其中，Πk,m-1,m表示第k个蜂窝网小区用户在第m-1个时隙与第m个时隙的虚拟信道互相关后验统计概率，Bk,m表示第k个蜂窝网小区用户的第m个时隙上的增益参数，其取值范围为大于0小于1的小数，本发明中第k个蜂窝网小区用户的第m个时隙上的增益参数为0.5，rk,m-1表示第k个蜂窝网小区用户在第m-1个时隙上的虚拟信道值；
(9)利用下式，联合估计每个蜂窝网小区用户在所有时隙中的虚拟信道转移状态值和虚拟信道转移状态噪声方差值：
Figure GDA0002909135290000041
其中，αk表示第k个蜂窝网小区用户在所有时隙中的虚拟信道转移状态值，Λk表示第k个蜂窝网小区用户在所有时隙中的虚拟信道转移状态噪声方差值，max{·}表示求最大值操作，ln表示以自然底数为底的对数操作，|·|表示绝对值操作，Θk,m-1表示第k个蜂窝网小区用户在第m-1个时隙的虚拟信道自相关后验统计概率，Re{·}表示取实部操作；
(10)利用低复杂度搜索算法，估计每个蜂窝网小区用户在所有时隙中的信道稀疏性参数：
(10a)利用最大似然函数的期望公式，计算大小为G×G的单位矩阵的每一列对应的最大似然函数的期望值，将最大似然函数的期望值的最大值对应的列作为初始列向量；
(10b)判断初始列向量的第一个元素是否为1，若是，则执行步骤(10e)，否则，执行步骤(10c)；
(10c)将初始列向量中元素值为1的最小元素序号的前一个元素序号对应的元素设为1，利用最大似然函数的期望公式，计算当前初始列向量的最大似然函数的期望值；
(10d)判断当前初始列向量的最大似然函数的期望值是否大于最大似然函数的期望值的最大值，若是，则用当前初始列向量的最大似然函数的期望值更新最大似然函数的期望值的最大值后执行步骤(10c)，否则，执行步骤(10e)；
(10e)将初始列向量中元素值为1的最大元素序号的后一个元素序号对应的元素设为1，利用最大似然函数的期望公式，计算当前初始列向量的最大似然函数的期望值；
(10f)判断当前初始列向量的最大似然函数的期望值是否大于最大似然函数的期望值的最大值，若是，则用当前初始列向量的最大似然函数的期望值更新最大似然函数的期望值的最大值，执行步骤(10e)，否则，将当前的初始列向量值作为信道稀疏性参数，执行步骤(11)；
(11)判断虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数是否满足终止条件，若是，则执行步骤(12)，否则，执行步骤(2)；
(12)将满足终止条件的当前虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数，作为时变大规模MIMO网络中稀疏估计后的信道参数。
本发明与现有技术相比具有以下优点：
第一，由于本发明在构建基站接收信号的虚拟信道稀疏信号模型时考虑了网络的时变性参数，克服了现有技术在对物理信道矩阵进行稀疏表示时没有考虑网络的时变性，无法应用于时变的大规模MIMO网络的问题，使得本发明可以应用于时变的大规模MIMO网络。
第二，由于本发明在构建基站接收信号的虚拟信道稀疏信号模型的基础上，利用卡尔曼滤波器计算虚拟信道方差值，采用低复杂度搜索算法估计信道稀疏性参数，克服了现有技术不适用于时分双工模式的问题，使得本发明既适用于频分双工模式也适用于时分双工模式。
附图说明
图1是本发明的流程图；
图2是本发明仿真实验1的结果图；
图3是本发明仿真实验2在用户移动速率不同的情况下，虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的均方误差随系统信噪比变化的仿真结果图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照附图1，对本发明的具体步骤做进一步的描述。
步骤1，构建基站接收信号的虚拟信道稀疏信号模型如下。
Figure GDA0002909135290000061
其中，Ym表示在第m个时隙基站接收信号的虚拟信道稀疏信号，τ表示与基站进行当前通信的蜂窝网小区中用户的总数，Σ表示求和操作，k表示与基站进行当前通信的蜂窝网小区用户的序号，FG表示G×G大小的归一化傅里叶矩阵，G表示基站的天线数，H表示共轭转置操作，diag(ck)表示对角线元素为第k个蜂窝网小区用户的信道稀疏参数ck的对角矩阵，rk,m表示第k个蜂窝网小区用户在第m个时隙上对应的虚拟信道值，sk表示第k个蜂窝网小区用户的发送信号，T表示转置操作，Nm表示第m个时隙对应的信道的独立加性高斯白噪声。
步骤2，从未选取的时隙中选取时隙序号最小的时隙。
步骤3，利用卡尔曼滤波器，计算虚拟信道方差值。
按照下式，计算所选时隙上的每个蜂窝网小区用户的虚拟信道方差值的预测值。
Figure GDA0002909135290000062
其中，Φk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道方差值的预测值，
Figure GDA0002909135290000063
表示第k个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态值，Ψk,m-1表示第k个蜂窝网小区用户在第m-1个时隙上的虚拟信道的方差值，
Figure GDA0002909135290000064
表示第k个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态噪声的方差值。
按照下式，通过虚拟信道方差值的预测值，计算卡尔曼滤波器参数。
Kk,m＝Φk,m(Bk,mΦk,m+σ2)
其中，Kk,m表示第k个蜂窝网小区用户在第m个时隙上的卡尔曼滤波器的参数，Bk,m表示第k个蜂窝网小区用户的第m个时隙上的增益参数，其取值范围为大于0小于1的小数，本发明中第k个蜂窝网小区用户的第m个时隙上的增益参数为0.5，σ2表示独立加性高斯白噪声Nm的功率。
求所选时隙上每个蜂窝网小区用户的增益参数、虚拟信道方差值的预测值和卡尔曼滤波器参数值的乘积，再用所选时隙上每个蜂窝网小区用户的虚拟信道方差值的预测值减去该乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道方差值。
步骤4，计算虚拟信道值。
求所选时隙上每个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态值与该蜂窝网小区用户在前一个时隙上的虚拟信道的预测值的乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道的预测值。
求所选时隙上每个蜂窝网小区用户的增益参数、虚拟信道的预测值和卡尔曼滤波器参数值的乘积，再用所选时隙上每个蜂窝网小区用户的虚拟信道的预测值减去该乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道值。
步骤5，判断是否存在最小的未选取时隙，若是，则执行步骤2，否则，执行步骤6。
步骤6，判断是否存在未选取的时隙，若是，则选取未选取的时隙后执行步骤3，否则，执行步骤7。
步骤7，按照下式，通过虚拟信道值和虚拟信道方差值，计算每个蜂窝网小区用户在每个时隙中的虚拟信道自相关后验统计概率。
Figure GDA0002909135290000071
其中，Θk,m表示第k个蜂窝网小区用户在第m个时隙的虚拟信道自相关后验统计概率，rk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道值，Ψk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道方差值。
步骤8，按照下式，通过虚拟信道值和虚拟信道方差值，计算每个蜂窝网小区用户在每个相邻时隙中的虚拟信道互相关后验统计概率。
Figure GDA0002909135290000072
其中，Πk,m-1,m表示第k个蜂窝网小区用户在第m-1个时隙与第m个时隙的虚拟信道互相关后验统计概率，rk,m-1表示第k个蜂窝网小区用户在第m-1个时隙上的虚拟信道值。
步骤9，利用下式，联合估计每个蜂窝网小区用户在所有时隙中的虚拟信道转移状态值和虚拟信道转移状态噪声方差值。
Figure GDA0002909135290000081
其中，αk表示第k个蜂窝网小区用户在所有时隙中的虚拟信道转移状态值，Λk表示第k个蜂窝网小区用户在所有时隙中的虚拟信道转移状态噪声方差值，max{·}表示求最大值操作，ln表示以自然底数为底的对数操作，|·|表示绝对值操作，Θk,m-1表示第k个蜂窝网小区用户在第m-1个时隙的虚拟信道自相关后验统计概率，Re{·}表示取实部操作。
步骤10，利用低复杂度搜索算法，估计每个蜂窝网小区用户在所有时隙中的信道稀疏性参数。
第1步，利用最大似然函数的期望公式，计算大小为G×G的单位矩阵的每一列对应的最大似然函数的期望值，将最大似然函数的期望值的最大值对应的列作为初始列向量。
最大似然函数的期望公式如下：
Figure GDA0002909135290000082
其中，Q(ck)表示第k个蜂窝网小区用户的信道稀疏性参数ck的最大似然函数的期望，||·||2表示二范式操作。
第2步，判断初始列向量的第一个元素是否为1，若是，则执行本步骤第5步，否则，执行本步骤第3步。
第3步，将初始列向量中元素值为1的最小元素序号的前一个元素序号对应的元素设为1，利用最大似然函数的期望公式，计算当前初始列向量的最大似然函数的期望值。
最大似然函数的期望公式如下：
Figure GDA0002909135290000091
其中，Q(ck)表示第k个蜂窝网小区用户的信道稀疏性参数ck的最大似然函数的期望，||·||2表示二范式操作。
第4步，判断当前初始列向量的最大似然函数的期望值是否大于最大似然函数的期望值的最大值，若是，则用当前初始列向量的最大似然函数的期望值更新最大似然函数的期望值的最大值后执行本步骤第3步，否则，执行本步骤第5步。
第5步，将初始列向量中元素值为1的最大元素序号的后一个元素序号对应的元素设为1，利用最大似然函数的期望公式，计算当前初始列向量的最大似然函数的期望值。
最大似然函数的期望公式如下：
Figure GDA0002909135290000092
其中，Q(ck)表示第k个蜂窝网小区用户的信道稀疏性参数ck的最大似然函数的期望，||·||2表示二范式操作。
第6步，判断当前初始列向量的最大似然函数的期望值是否大于最大似然函数的期望值的最大值，若是，则用当前初始列向量的最大似然函数的期望值更新最大似然函数的期望值的最大值，执行本步骤第5步，否则，将当前的初始列向量值作为信道稀疏性参数，执行步骤12。
步骤11，判断虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数是否满足终止条件，若是，则执行步骤12，否则，执行步骤2。
终止条件是指，将当前得到的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数分别与前一次得到的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数进行比较，将三个值均相等的情形作为终止条件。
步骤12，将满足终止条件的当前虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数，作为时变大规模MIMO网络中稀疏估计后的信道参数。
下面结合仿真实验对本发明的效果做进一步的说明。
1.仿真条件：
本发明仿真实验的运行系统是：Windows7 64位操作系统，CPU为Intel(R)Core(TM)i3-CPU 550U@3.20GHz，内存为4G，编译环境为Matlab2014b。
本发明的具体仿真参数信息见表1。
表1仿真参数信息表
基站天线总数 128
基站管控的小区数 8
蜂窝网小区的用户数 4
发送信号长度 4
独立加性高斯白噪声的功率 1
时隙个数 160
符号周期 1us
载波频率 2GHz
蜂窝网小区用户移动速度 0～200km/h
2.仿真实验内容与结果分析：
本发明的仿真实验有两个。
本发明的仿真实验1是在信噪比为30dB，蜂窝网小区用户的移动速度为50km/h下，采用本发明的方法，对MIMO网络中每个蜂窝网小区用户在所有时隙上的虚拟信道进行仿真，估计每个蜂窝网小区用户的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的估计值。判断虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数是否满足终止条件，若不是，则增加迭代次数，得到当前迭代次数下每个蜂窝网小区用户的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的估计值，若是，则仿真结束。
利用均方误差公式，分别计算不同迭代次数下所有蜂窝网小区用户的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的均方误差，分别绘制虚拟信道转移状态值均方误差、虚拟信道转移状态噪声方差值均方误差和信道稀疏性参数均方误差随迭代次数变化的曲线，仿真结果如图2所示。图2中的纵坐标表示均方误差，横坐标表示迭代次数。图2中以五角星标示的实线表示虚拟信道转移状态噪声方差值的均方误差随迭代次数变化的曲线。图2中以菱形标示的实线表示信道稀疏性参数随迭代次数变化的曲线。图2中以圆形标示的实线表示虚拟信道转移状态值的均方误差随迭代次数变化的曲线。
从图2可以看出，当虚拟信道转移状态噪声方差值、信道稀疏性参数和虚拟信道转移状态值的均方误差保持不变时所需要的迭代次数都小于5次，说明在时变的MIMO网络，本发明估计信道参数收敛速度快。
本发明的仿真实验2是采用本发明的方法，给虚拟信道加入不同的噪声，得到不同信噪比的虚拟信道，对移动速度为50km/h的MIMO网络中的蜂窝网小区用户，估计不同信噪比时，虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数。判断虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数是否满足终止条件，若不是，则增加迭代次数，得到当前迭代次数下每个蜂窝网小区用户的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的估计值，若是，则得到速度为50km/h的每个蜂窝网小区用户在不同信噪比时，在所有时隙上的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数。增加蜂窝网小区用户的移动速度，对移动速度为100km/h的MIMO网络中蜂窝网小区用户，估计不同信噪比时，虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数。判断虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数是否满足终止条件，若不是，则增加迭代次数，得到当前迭代次数下每个蜂窝网小区用户的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的估计值，若是，则得到速度为100km/h的每个蜂窝网小区用户在不同信噪比时，在所有时隙上的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数。
利用均方误差公式，分别计算不同信噪比时的所有蜂窝网小区用户在移动速度为50km/h和100km/h时的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的均方误差，绘制蜂窝网小区用户在50km/h和100km/h两种移动速度下，虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数的均方误差随信噪比变化的曲线，得到的仿真结果如图3所示。
图3中的纵坐标表示均方误差，横坐标表示信噪比。图3中的以菱形标示的实线曲线表示蜂窝网小区用户移动速度为50km/h时，虚拟信道转移状态噪声方差值的均方误差随信噪比变化的曲线。图3中以菱形标示的虚线表示蜂窝网小区用户移动速度为100km/h时，虚拟信道转移状态噪声方差值的均方误差随信噪比变化的曲线。图3中以五角星标示的虚线表示蜂窝网小区用户移动速度为100km/h时，虚拟信道转移状态值的均方误差随信噪比变化的曲线。图3中的以五角星标示的实线曲线表示蜂窝网小区用户移动速度为50km/h时，虚拟信道转移状态值的均方误差随信噪比变化的曲线。图3中以正方形标示的实线表示蜂窝网小区用户移动速度为100km/h时，信道稀疏性参数的均方误差随信噪比变化的曲线。图3中的以加号标示的实线曲线表示蜂窝网小区用户移动速度为50km/h时，信道稀疏性参数的均方误差随信噪比变化的曲线。
从图3中可以看出，本发明在蜂窝网小区用户移动速率增加到100km/h时估计的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数均方误差仍然较小，说明本发明适用于时变的大规模MIMO网络。
上述所使用的均方误差公式如下：
Figure GDA0002909135290000121
其中，MESx表示信道参数X的均方误差，xk表示第k个蜂窝网小区用户的信道参数X的估计值，Xk表示第k个蜂窝网小区用户的信道参数X的实际值。

Claims (5)

1.一种时变大规模MIMO网络中信道参数的稀疏估计方法，其特征在于，一个基站管控多个蜂窝网小区，基站在连续的多个时隙内只与一个移动的蜂窝网小区用户通信，基站与每个蜂窝网小区用户间的信道在一个时隙内保持不变，相邻的时隙间动态时变，通过构建基站接收信号的虚拟信道稀疏信号模型，利用卡尔曼滤波器计算虚拟信道方差值，采用低复杂度搜索算法估计信道稀疏性参数，该方法的步骤包括如下：
(1)构建基站接收信号的虚拟信道稀疏信号模型如下：
Figure FDA0002909135280000011
其中，Ym表示在第m个时隙基站接收信号的虚拟信道稀疏信号，τ表示与基站进行当前通信的蜂窝网小区中用户的总数，Σ表示求和操作，k表示与基站进行当前通信的蜂窝网小区用户的序号，FG表示G×G大小的归一化傅里叶矩阵，G表示基站的天线数，H表示共轭转置操作，diag(ck)表示对角线元素为第k个蜂窝网小区用户的信道稀疏参数ck的对角矩阵，rk,m表示第k个蜂窝网小区用户在第m个时隙上对应的虚拟信道值，sk表示第k个蜂窝网小区用户的发送信号，T表示转置操作，Nm表示第m个时隙对应的信道的独立加性高斯白噪声；
(2)从未选取的时隙中选取时隙序号最小的时隙；
(3)利用卡尔曼滤波器，计算虚拟信道方差值：
(3a)利用方差值预测公式，计算所选时隙上的每个蜂窝网小区用户的虚拟信道方差值的预测值；
(3b)利用卡尔曼滤波器参数公式，通过虚拟信道方差值的预测值，计算卡尔曼滤波器参数；
(3c)求所选时隙上每个蜂窝网小区用户的增益参数、虚拟信道方差值的预测值和卡尔曼滤波器参数值的乘积，再用所选时隙上每个蜂窝网小区用户的虚拟信道方差值的预测值减去该乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道方差值；
(4)计算虚拟信道值：
(4a)求所选时隙上每个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态值与该蜂窝网小区用户在前一个时隙上的虚拟信道的预测值的乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道的预测值；
(4b)求所选时隙上每个蜂窝网小区用户的增益参数、虚拟信道的预测值和卡尔曼滤波器参数值的乘积，再用所选时隙上每个蜂窝网小区用户的虚拟信道的预测值减去该乘积，得到所选时隙上每个蜂窝网小区用户的虚拟信道值；
(5)判断是否存在最小的未选取时隙，若是，则执行步骤(2)，否则，执行步骤(6)；
(6)判断是否存在未选取的时隙，若是，则选取未选取的时隙后执行步骤(3)，否则，执行步骤(7)；
(7)按照下式，通过虚拟信道值和虚拟信道方差值，计算每个蜂窝网小区用户在每个时隙中的虚拟信道自相关后验统计概率：
Figure FDA0002909135280000021
其中，Θk,m表示第k个蜂窝网小区用户在第m个时隙的虚拟信道自相关后验统计概率，Ψk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道方差值；
(8)按照下式，通过虚拟信道值和虚拟信道方差值，计算每个蜂窝网小区用户在每个相邻时隙中的虚拟信道互相关后验统计概率：
Figure FDA0002909135280000022
其中，Πk,m-1,m表示第k个蜂窝网小区用户在第m-1个时隙与第m个时隙的虚拟信道互相关后验统计概率，Bk,m表示第k个蜂窝网小区用户的第m个时隙上的增益参数，其取值范围为大于0小于1的小数，rk,m-1表示第k个蜂窝网小区用户在第m-1个时隙上的虚拟信道值；
(9)利用下式，联合估计每个蜂窝网小区用户在所有时隙中的虚拟信道转移状态值和虚拟信道转移状态噪声方差值：
Figure FDA0002909135280000031
其中，αk表示第k个蜂窝网小区用户在所有时隙中的虚拟信道转移状态值，Λk表示第k个蜂窝网小区用户在所有时隙中的虚拟信道转移状态噪声方差值，max{·}表示求最大值操作，ln表示以自然底数为底的对数操作，|·|表示绝对值操作，Θk,m-1表示第k个蜂窝网小区用户在第m-1个时隙的虚拟信道自相关后验统计概率，Re{·}表示取实部操作；
(10)利用低复杂度搜索算法，估计每个蜂窝网小区用户在所有时隙中的信道稀疏性参数：
(10a)利用最大似然函数的期望公式，计算大小为G×G的单位矩阵的每一列对应的最大似然函数的期望值，将最大似然函数的期望值的最大值对应的列作为初始列向量；
(10b)判断初始列向量的第一个元素是否为1，若是，则执行步骤(10e)，否则，执行步骤(10c)；
(10c)将初始列向量中元素值为1的最小元素序号的前一个元素序号对应的元素设为1，利用最大似然函数的期望公式，计算当前初始列向量的最大似然函数的期望值；
(10d)判断当前初始列向量的最大似然函数的期望值是否大于最大似然函数的期望值的最大值，若是，则用当前初始列向量的最大似然函数的期望值更新最大似然函数的期望值的最大值后执行步骤(10c)，否则，执行步骤(10e)；
(10e)将初始列向量中元素值为1的最大元素序号的后一个元素序号对应的元素设为1，利用最大似然函数的期望公式，计算当前初始列向量的最大似然函数的期望值；
(10f)判断当前初始列向量的最大似然函数的期望值是否大于最大似然函数的期望值的最大值，若是，则用当前初始列向量的最大似然函数的期望值更新最大似然函数的期望值的最大值，执行步骤(10e)，否则，将当前的初始列向量值作为信道稀疏性参数，执行步骤(11)；
(11)判断虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数是否满足终止条件，若是，则执行步骤(12)，否则，执行步骤(2)；
(12)将满足终止条件的当前虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数，作为时变大规模MIMO网络中稀疏估计后的信道参数。
2.根据权利要求1所述的时变大规模MIMO网络中信道参数的稀疏估计方法，其特征在于，步骤(3a)所述的方差值预测公式如下：
Figure FDA0002909135280000041
其中，Φk,m表示第k个蜂窝网小区用户在第m个时隙上的虚拟信道方差值的预测值，
Figure FDA0002909135280000042
表示第k个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态值，Ψk,m-1表示第k个蜂窝网小区用户在第m-1个时隙上的虚拟信道的方差值，
Figure FDA0002909135280000043
表示第k个蜂窝网小区用户在前一次得到的所有时隙中的虚拟信道转移状态噪声的方差值。
3.根据权利要求2所述的时变大规模MIMO网络中信道参数的稀疏估计方法，其特征在于，步骤(3b)所述的卡尔曼滤波器参数公式如下：
Kk,m＝Φk,m(Bk,mΦk,m+σ2)
其中，Kk,m表示第k个蜂窝网小区用户在第m个时隙上的卡尔曼滤波器的参数，σ2表示独立加性高斯白噪声Nm的功率。
4.根据权利要求3所述的时变大规模MIMO网络中信道参数的稀疏估计方法，其特征在于，步骤(10a)、步骤(10c)、步骤(10e)所述的最大似然函数的期望公式如下：
Figure FDA0002909135280000044
其中，Q(ck)表示第k个蜂窝网小区用户的信道稀疏性参数ck的最大似然函数的期望，||·||2表示二范式操作。
5.根据权利要求1所述的时变大规模MIMO网络中信道参数的稀疏估计方法，其特征在于，步骤(11)所述的终止条件是指，将当前得到的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数分别与前一次得到的虚拟信道转移状态值、虚拟信道转移状态噪声方差值和信道稀疏性参数进行比较，将三个值均相等的情形作为终止条件。
CN201810801561.XA 2018-07-20 2018-07-20 时变大规模mimo网络中信道参数的稀疏估计方法 Active CN108964725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810801561.XA CN108964725B (zh) 2018-07-20 2018-07-20 时变大规模mimo网络中信道参数的稀疏估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810801561.XA CN108964725B (zh) 2018-07-20 2018-07-20 时变大规模mimo网络中信道参数的稀疏估计方法

Publications (2)

Publication Number Publication Date
CN108964725A CN108964725A (zh) 2018-12-07
CN108964725B true CN108964725B (zh) 2021-03-23

Family

ID=64497503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810801561.XA Active CN108964725B (zh) 2018-07-20 2018-07-20 时变大规模mimo网络中信道参数的稀疏估计方法

Country Status (1)

Country Link
CN (1) CN108964725B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109787672B (zh) * 2018-12-25 2022-10-11 西安电子科技大学 基于参数学习的大规模mimo格点偏移信道估计方法
CN110086734B (zh) * 2019-03-14 2021-09-10 西安电子科技大学 一种时变大规模mimo系统中的信道追踪和恢复方法
CN110177062B (zh) * 2019-04-15 2020-07-10 浙江大学 一种终端激活检测和信道估计方法
CN110542790A (zh) * 2019-09-06 2019-12-06 广东石油化工学院 一种基于稀疏模型的功率信号滤波方法和系统
CN112087247B (zh) * 2020-08-04 2021-10-08 西安电子科技大学 一种基于大规模mimo-otfs的径分多址接入方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103731380A (zh) * 2014-01-03 2014-04-16 清华大学 一种基于压缩感知的时频联合信道估计的方法及装置
CN106130938A (zh) * 2016-07-18 2016-11-16 安徽师范大学 Tdd大规模mimo系统多用户联合信道估计方法
CN106302274A (zh) * 2016-08-26 2017-01-04 清华大学 一种大规模mimo系统多用户信道估计与跟踪方法
CN107171987A (zh) * 2017-07-10 2017-09-15 东南大学 一种适用于时变稀疏信道的估计算法
CN107360108A (zh) * 2017-08-10 2017-11-17 电子科技大学 Fdd大规模mimo多用户自适应低复杂度信道估计
CN108259398A (zh) * 2018-01-12 2018-07-06 电子科技大学 基于变分贝叶斯推断的复杂混合模型的信道估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103731380A (zh) * 2014-01-03 2014-04-16 清华大学 一种基于压缩感知的时频联合信道估计的方法及装置
CN106130938A (zh) * 2016-07-18 2016-11-16 安徽师范大学 Tdd大规模mimo系统多用户联合信道估计方法
CN106302274A (zh) * 2016-08-26 2017-01-04 清华大学 一种大规模mimo系统多用户信道估计与跟踪方法
CN107171987A (zh) * 2017-07-10 2017-09-15 东南大学 一种适用于时变稀疏信道的估计算法
CN107360108A (zh) * 2017-08-10 2017-11-17 电子科技大学 Fdd大规模mimo多用户自适应低复杂度信道估计
CN108259398A (zh) * 2018-01-12 2018-07-06 电子科技大学 基于变分贝叶斯推断的复杂混合模型的信道估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Sparse Bayesian Learning for the Time-Varying Massive MIMO Channels: Acquisition and Tracking;Jianpeng Ma,Shun Zhang等;《IEEE TRANSACTIONS ON COMMUNICATIONS》;20180712;全文 *
Sparse Channel Estimation for Massive MIMO-OFDM Systems Over Time-Varying Channels;Qibo Qin等;《IEEE Access》;20180604;全文 *

Also Published As

Publication number Publication date
CN108964725A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108964725B (zh) 时变大规模mimo网络中信道参数的稀疏估计方法
CN113472706B (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN111698182A (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
CN109951214B (zh) 一种适用于大规模mimo系统的信号检测方法
CN107276646B (zh) 大规模mimo-ofdm上行链路迭代检测方法
CN110719239A (zh) 一种数据模型双驱动的联合mimo信道估计和信号检测方法
CN110430150B (zh) 一种基于神经网络的蜂窝移动通信系统接收机设计方法
JP2012165370A (ja) 無線多入力多出力（ｍｉｍｏ）ネットワークにおいて送信機と受信機との間のチャネルのためのチャネル行列を推定するための方法
CN104702390A (zh) 分布式压缩感知信道估计中的导频分配方法
CN105471775B (zh) 一种大规模mimo系统中低复杂度的信道估计方法
CN102821071A (zh) Ofdm系统的信道和噪声方差联合估计方法
CN109905917B (zh) 基于无线携能的noma通信系统中无线资源分配方法
CN104320369A (zh) 一种基于信道估计误差和数据检测误差的迭代方法
CN105071843A (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
CN113114313A (zh) 一种mimo-noma系统导频辅助信号检测方法、系统及存储介质
CN113595666A (zh) 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
CN116192209A (zh) 一种mimo信道下空中计算联邦学习的梯度上传方法
CN106130938B (zh) Tdd大规模mimo系统多用户联合信道估计方法
CN114665930A (zh) 去蜂窝大规模mimo系统的下行链路盲信道估计方法
CN107222246B (zh) 一种近似mmse性能的高效大规模mimo检测方法及系统
CN109379116B (zh) 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法
CN107181705A (zh) 一种半盲信道估计方法及系统
CN107733487B (zh) 一种大规模多输入多输出系统的信号检测方法及装置
CN101252419A (zh) 多天线传输系统中利用信道统计信息的容量评估方法
CN105429925A (zh) 基于快速独立分量分析的多天线ofdma信号解码方法

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