CN109257309B - 一种高性能的大规模mimo下行链路传输信道估计方法 - Google Patents

Abstract

本发明公开了一种高性能的大规模MIMO下行链路传输信道估计方法，主要包括：基站通过波束赋形生成大规模波束集合覆盖整个小区，基站的所有天线同步地向目标用户发送导频序列；用户获取导频信息后，根据设计好的导频矩阵和字典构建压缩感知信道估计问题，依据过完备字典采样后信道增益函数的块稀疏性，使用基于块稀疏性的压缩感知恢复算法进行估计，估计的结果就是需要的信道矢量。本发明通过使用多频带调制DPSS矩阵提高了信道矢量在过完备字典下的稀疏性，提高了信道恢复的性能，减少了算法运算复杂度，并通过非正交导频矩阵的使用，降低了导频开销。

Description

一种高性能的大规模MIMO下行链路传输信道估计方法

技术领域

本发明属于通信领域，具体涉及一种平坦块衰落信道下基于压缩感知的高性能大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)下行链路传输信道估计方法。

背景技术

大规模MIMO系统中，基站端配置利用大规模天线阵列同时服务多个用户。采用大规模MIMO技术可以有效降低用户间干扰，大幅提高无线通信系统的频谱利用率和功率效率。对于大规模MIMO通信系统，采样后的信道增益函数具有局部稀疏性。因此，可以采用压缩感知算法，来重构信道矢量。

为了获得大规模MIMO技术所带来的性能增益，基站侧需要获取信道状态信息(Channel State Information，CSI)用于下行预编码。在实际应用中，CSI一般通过接收端信道估计获得，即需要考虑由基站侧发送导频信号，用户侧先依据所接收的信号进行信道估计，再将估计结果反馈给基站。传统的下行信道估计方法一般采用正交导频，导频数目会随着基站天线数目线性增长。大规模MIMO系统中基站侧配置天线数目通常比较大，此类信道估计方法将会带来巨大的导频开销，从而导致系统的频谱效率下降。因此，针对大规模MIMO下行链路传输系统，需要探索一种导频开销较小同时保证较高估计性能的信道估计方法。

发明内容

针对现有技术的不足，本发明提供一种高性能的大规模MIMO下行链路传输信道估计方法，一种在平坦块衰落信道下的，利用多频带调制离散椭球序列(Discrete ProlateSpheroidal Sequences，DPSS)矩阵采样后信道增益函数的块稀疏性和非正交导频的高性能的大规模MIMO下行链路传输信道估计方法。

为实现上述发明目的，本发明采用的技术方案为：

一种高性能的大规模MIMO下行链路传输信道估计方法，包括以下步骤：

S1：基站配置大规模天线阵列，通过波束赋形生成大规模波束集合覆盖整个小区，并且在小区内与单天线用户进行通信，基站的所有天线同步向目标用户发送导频序列；

S2：用户获取基站天线发送的导频信号，并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题，利用恢复算法估计信道矢量。

进一步地，所述步骤S2中的非正交导频矩阵为根据Zadoff-Chu序列及其循环移位设计的导频矩阵。

进一步地，所述非正交导频矩阵的设计步骤为：

S231：利用Zadoff-Chu序列的定义设置基本的导频序列，长度为τ，

其中每个元素为：

其中，i＝0,1,…,τ-1，γ为Zadoff-Chu序列的根，而且是一个比τ小并与之互质的整数；

S232：通过循环移位的方式获取其它的导频序列，生成基本的导频矩阵，

考虑基站天线总数M＝Pτ+q(q＜τ)，其中P、q均为整数，则基本的导频矩阵φ_ZC表示为：

φ_ZC＝[φ₀,φ₁,…,φ_P-1,[φ_P]_q]，

其中，φ_p＝[Π₀c_p,Π₂c_p,…,Π_τc_p]，p＝0,1,…,P，[·]_q表示取矩阵的前q列，而c₀,c₁,…,c_P是根分别为γ₀,γ₁,…,γ_P的Zadoff-Chu序列，不同根之间互质，并且循环移位矩阵Π_n为：

其中，n＝0,1,…,τ-1；

S233：依据伯努利矢量对角化矩阵对导频矩阵φ_ZC进行扩展得到非正交导频矩阵A，A＝φ_ZCdiag(ξ)，其中，矢量

是随机伯努利矢量，所有元素在{-1,1}上均匀分布，diag(·)表示将矢量对角化为矩阵。

进一步地，所述步骤S2中的估计信道矢量的步骤具体为：依据字典采样后信道增益函数的块稀疏性，使用基于块稀疏性的压缩感知恢复算法：修正的块稀疏压缩采样匹配追踪法(Modified Block-Based Compressive Sampling Matching Pursuit，M-BBCoSaMP)进行估计，所述字典是利用调制后的DPSS生成的过完备矩阵，即多频带调制DPSS矩阵。

进一步地，所述的步骤S2中的压缩感知信道估计公式为：

y＝AΨh_A+n

其中，

为用户接收到的导频信号，

为导频矩阵，M是基站天线总数，

为基站第m根天线发送的长度为τ的导频序列，其中m＝1,…,M，

为多频带调制DPSS矩阵，

为稀疏基Ψ下的块稀疏矢量，

是独立同分布的高斯白噪声矢量且每一元素服从

分布；τ表示导频信号的长度，k表示字典中DPSS子块的列数，J表示字典中DPSS子块的块数，其中，M＜kJ。

进一步地，所述多频带调制DPSS矩阵表示为：

Ψ＝[Ψ₀ Ψ₁ … Ψ_J-1]，

其中，

表示调制后的第j个DPSS矩阵的前k列，其中，j＝1,2…J，J的具体值由带宽和基站天线发射的角度范围决定，此时，

稀疏度小于等于k。

进一步地，所述的基于块稀疏性的压缩感知恢复算法M-BBCoSaMP，具体包括：

S271：依据测量数据的特征和信噪比设计出DPSS参数；

S272：根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性，找出多频带调制DPSS矩阵中最能够准确近似表示信道矢量的子块索引；

S273：利用正交投影和最小二乘法完成信道估计。

进一步地，所述步骤S271中DPSS参数J的公式为：

其中，M为基站天线总数，Q表示集合T中最接近稀疏度s的整数，

集合T为：

DPSS参数k的公式为：

其中，γ₀和γ₁为信噪比阈值，数值大小依据具体环境设置，SNR是信噪比，c₀和β₀为根据信噪比SNR设置DPSS参数的线性系数，它们依据Q和导频信号y设置。

进一步地，所述步骤S272中的子块索引的检索公式为：

其中，

表示Ψ中最适合近似表示h的K个子块索引集，h＝Ψh_A，

是由索引集合

给出的矩阵Ψ相应列构成的子矩阵，

表示由

张成空间的范围；

表示在K维块稀疏信号集上的最准确矢量近似值，并且

x^l＝A^Hr^l表示导频矩阵所有列对残差矢量的贡献度，

表示第l次迭代得到的残差矢量。

进一步地，所述步骤S273中最小二乘法的目标函数为：

其中，h是利用选中的DPSS子块和最小二乘法得出的估计值，y为用户接收到的导频信号，A表示导频矩阵，z是在线性空间

中的矢量，

表示第l次迭代最终选中的子块索引集，

是由索引集合

给出的矩阵Ψ相应列构成的子矩阵，

表示

张成空间的范围。

本发明主要利用过完备字典采样后信道增益函数的块稀疏性和压缩感知算法进行信道估计，涉及大规模MIMO信道的建模和所提出的M-BBCoSaMP算法，适用于单小区的大规模MIMO下行系统。系统建模时，依据Zadoff-Chu序列及其循环移位设计非正交导频矩阵，并在信道中添加高斯白噪声。在M-BBCoSaMP算法中，依据测量数据的特征和信噪比设计出DPSS参数，然后根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性，找出字典中最能够准确近似表示信道矢量的子块索引，最后利用正交投影和最小二乘法完成信道估计。

与现有技术相比，本发明的有益效果在于：

1.多频带调制DPSS矩阵的使用，极大地提高了信道矢量在字典下的稀疏性，并且相较于一般的字典，稀疏矢量的能量更加集中，可以通过压缩感知算法进行更好的恢复。

2.导频矩阵采用了确定性测量矩阵，其中Zadoff-Chu序列的使用，相较于一般的高斯随机矩阵，降低了实现成本，进一步减少了大规模MIMO系统中的导频开销。

3.所提出的M-BBCoSaMP算法给出了一种依据信噪比调整DPSS矩阵维度的公式，权衡了噪声误差和近似误差，动态更新字典的规模，提高了估计的准确度，并降低了算法的复杂度。

附图说明

图1为本发明的流程图。

图2为大规模MIMO通信系统示意图。

图3为基于M-BBCoSaMP的信道估计算法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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、完整的描述。

如图1所示，本发明公开的一种高性能的大规模MIMO下行链路传输信道估计方法，主要包括以下步骤：

1)基站配置大规模天线阵列，通过波束赋形方法生成能够覆盖整个小区的大规模波束集合。本步骤中，基站与小区内的单天线用户进行通信。在信道下行链路传输阶段，基站所有天线同步地向目标用户发送导频信号。

2)用户获取基站发送的导频信号，并且根据设计好的非正交导频矩阵，构建一个压缩感知信道估计问题来求解信道矢量，并依据过完备字典采样后信道增益函数的块稀疏性提出M-BBCoSaMP算法解决该信道估计问题。估计得到的矢量即为所需的信道矢量，信道估计完成。

下面以图2所示的大规模MIMO下行链路传输系统为例，考虑单小区场景，基站侧配置M根发射天线的大规模天线阵列(M为10²～10³数量级)，天线间隔为半波长。小区中有N个单天线目标用户。

在信道下行链路传输阶段，基站所有天线同步地向目标用户发送导频信号，等价于发送导频矩阵

其中

为基站第m根天线发送的长度为τ的导频序列，其中m＝1,…,M。对应的下行信道矢量记为

则在给定相干时间块内的下行训练阶段，目标用户所接收到的导频信号

可表示为：

y＝Ah+n (1)

其中，

是独立同分布的高斯白噪声矢量且每一元素服从

分布。

需要注意的是，导频矩阵A是在信道传输之前预先定义的，具体设计方式为：

A＝φ_ZCdiag(ξ) (2)

其中，φ_ZC＝[φ₀,φ₁,…,φ_P-1,[φ_P]_q]，φ_p＝[Π₀c_p,Π₂c_p,…,Π_τc_p]，p＝0,1,…,P，[·]_q表示取矩阵的前q列，而c₀,c₁,…,c_P是根分别为γ₀,γ₁,…,γ_P的Zadoff-Chu序列，不同根之间互质，Π_n为循环移位矩阵，n＝0,1,…,τ-1；矢量

是随机伯努利矢量，所有元素在{-1,1}上均匀分布，diag(·)表示将矢量对角化为矩阵。

式(1)是一个一般的压缩感知问题，但实际中的信号并不总是稀疏的，而是在某一矩阵Ψ的表示下呈现稀疏性。这意味着存在一个稀疏矢量h_A使得信号可以表示为：h＝Ψh_A。因此，可将标准的压缩感知表达式写为：

y＝AΨh_A+n (3)

其中，矩阵Ψ在压缩感知领域也称作字典。

当字典

为多频带调制DPSS矩阵时，可以表示为：

Ψ＝[Ψ₀ Ψ₁ … Ψ_J-1] (4)

其中，

表示调制后的第j个DPSS矩阵的前k列。J表示字典中DPSS子块的块数，具体的值由带宽和基站天线发射的角度范围决定。此时，

是块稀疏信号，稀疏度小于等于k。

公式(3)是本发明最终需要解决的问题，即根据矢量y、矩阵A和Ψ，估计信道矢量h。

需要注意的是，M-BBCoSaMP算法得到的值就是信道矢量估计值h，即本发明信道估计的最终目标。

本发明基于M-BBCoSaMP算法求解上述整理后的压缩感知问题。其中M-BBCoSaMP算法的思路是：首先依据测量数据的特征和信噪比设计出DPSS参数，然后根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性，找出字典中最能够准确近似表示信道矢量的子块索引，最后利用正交投影和最小二乘法完成信道估计。相较于一般的BBCoSaMP算法，M-BBCoSaMP算法权衡了近似误差和噪声误差，给出了依据信噪比设置字典规模大小的具体公式。

图3示出了本发明实施的基于M-BBCoSaMP算法的压缩感知信道估计方法的实现流程，详细过程如下：

步骤1：输入用户接收到的导频信号y，导频矩阵A，基站天线总数M，稀疏度s和信噪比SNR，迭代阈值δ以及满足如下条件的集合T：

步骤2：令l表示迭代次数，并置零，初始化残差矢量r⁰＝y，估计值h⁰＝0。

步骤3：设计DPSS参数J和k，Q表示集合T中最接近稀疏度s的整数：

DPSS子块的块数

其中，M为基站天线总数。

利用下面的公式求出不同SNR下所需DPSS参数k：

其中，γ₀和γ₁为信噪比阈值，数值大小依据具体环境设置，SNR是信噪比，c₀和β₀为根据信噪比SNR设置DPSS参数的线性系数，它们依据Q和导频信号y设置。

步骤4：依据第l次迭代的残差矢量r^l求解导频矩阵所有列对残差的贡献度，即每一列和残差的内积(物理意义上也可以理解为相关性)：

x^l＝A^Hr^l (8)

然后求出矩阵Ψ中最能够准确表示x^l的两个子块的块索引：

其中，

表示Ψ中最适合近似表示h的K个子块索引集，

是由索引集合

给出的矩阵Ψ相应列构成的子矩阵，

表示由

张成空间的范围；

表示在K维块稀疏信号集上的最准确矢量近似值，并且

步骤5：将步骤4得到的子块索引集

和前一次迭代中得到的信道估计的子块索引合并：

步骤6：利用最小二乘法和子块索引集求出在该组子块下信道矢量的最准确近似值：

步骤7：利用正交投影计算本轮迭代的最终估计值：

并求出残差矢量：

r^l+1＝y-Ah^l+1 (13)

迭代次数l＝l+1。判断是否满足迭代条件：||r^l+1||₂/||y||₂≥δ，如果是则回到步骤4，否则进入步骤8。

步骤8：输出信道矢量估计值h＝h^l。

在上面提出的基于M-BBCoSaMP算法的压缩感知信道估计方法中，本发明依据多频带调制DPSS矩阵作为字典的优越性，提高了稀疏矢量能量的集中特性，从而降低了信道估计误差；在导频设计方面，采用了确定性导频矩阵，进一步减少了大规模MIMO系统中的导频开销。

应当指出，以上所述仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (1)

1.一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：包括以下步骤：

S1：基站配置大规模天线阵列，通过波束赋形生成大规模波束集合覆盖整个小区，并且在小区内与单天线用户进行通信，基站的所有天线同步向目标用户发送导频序列；

S2：用户获取基站天线发送的导频信号，并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题，利用恢复算法估计信道矢量；

所述步骤S2中的非正交导频矩阵为根据Zadoff-Chu序列及其循环移位设计的导频矩阵；所述非正交导频矩阵的设计步骤为：

S231：利用Zadoff-Chu序列的定义设置基本的导频序列，长度为τ，

其中每个元素为：

其中，i＝0,1,…,τ-1，γ为Zadoff-Chu序列的根，而且是一个比τ小并与之互质的整数；

S232：通过循环移位的方式获取其它的导频序列，生成基本的导频矩阵，

考虑基站天线总数M＝Pτ+q(q＜τ)，其中P、q均为整数，则基本的导频矩阵φ_ZC表示为：

φ_ZC＝[φ₀,φ₁,…,φ_P-1,[φ_P]_q]，

其中，φ_p＝[Π₀c_p,Π₂c_p,…,Π_τc_p]，p＝0,1,…,P，[·]_q表示取矩阵的前q列，而c₀,c₁,…,c_P是根分别为γ₀,γ₁,…,γ_P的Zadoff-Chu序列，不同根之间互质，并且循环移位矩阵Π_n为：

其中，n＝0,1,…,τ-1；

S233：依据伯努利矢量对角化矩阵对导频矩阵φ_ZC进行扩展得到非正交导频矩阵A，

A＝φ_ZCdiag(ξ)，

其中，矢量

是随机伯努利矢量，所有元素在{-1,1}上均匀分布，diag(·)表示将矢量对角化为矩阵；

所述步骤S2中的估计信道矢量的步骤具体为：依据过完备字典采样后信道增益函数的块稀疏性，使用基于块稀疏性的压缩感知恢复算法M-BBCoSaMP进行估计，所述字典是利用调制后的DPSS生成的过完备矩阵，即多频带调制DPSS矩阵；

所述的步骤S2中的压缩感知信道估计公式为：

y＝AΨh_A+n

其中，

为用户接收到的导频信号，

为导频矩阵，M是基站天线总数，

为基站第m根天线发送的长度为τ的导频序列，其中m＝1,…,M，

为多频带调制DPSS矩阵，

为稀疏基Ψ下的块稀疏矢量，

是独立同分布的高斯白噪声矢量且每一元素服从

分布；τ表示导频信号的长度，k表示字典中DPSS子块的列数，J表示字典中DPSS子块的块数，其中，M＜kJ；

所述多频带调制DPSS矩阵表示为：

Ψ＝[Ψ₀ Ψ₁ … Ψ_J-1]，

其中，

表示调制后的第j个DPSS矩阵的前k列，其中，j＝1,2…J，J的具体值由带宽和基站天线发射的角度范围决定，此时，

稀疏度小于等于k；

所述的基于块稀疏性的压缩感知恢复算法M-BBCoSaMP，具体包括：

S271：依据测量数据的特征和信噪比设计出DPSS参数；

S272：根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性，找出多频带调制DPSS矩阵中最能够准确近似表示信道矢量的子块索引；

S273：利用正交投影和最小二乘法完成信道估计；

所述步骤S271中DPSS参数J的公式为：

其中，M为基站天线总数，Q表示集合T中最接近稀疏度s的整数，

集合T为：

DPSS参数k的公式为：

其中，γ₀和γ₁为信噪比阈值，数值大小依据具体环境设置，SNR是信噪比，c₀和β₀为根据信噪比SNR设置DPSS参数的线性系数，它们依据Q和导频信号y设置；

所述步骤S272中的子块索引的检索公式为：

其中，

表示Ψ中最适合近似表示h的K个子块索引集，h＝Ψh_A，

为多频带调制DPSS矩阵，

为稀疏基Ψ下的块稀疏矢量，M是基站天线总数，k表示字典中DPSS子块的列数，J表示字典中DPSS子块的块数，

是由索引集合

给出的矩阵Ψ相应列构成的子矩阵，

表示由

张成空间的范围；

表示在K维块稀疏信号集上的最准确矢量近似值，并且

x^l＝A^Hr^l表示导频矩阵所有列对残差矢量的贡献度，

表示第l次迭代得到的残差矢量；

所述步骤S273中最小二乘法的目标函数为：

其中，h是利用选中的DPSS子块和最小二乘法得出的估计值，y为用户接收到的导频信号，A表示导频矩阵，z是在线性空间

中的矢量，

表示第l次迭代最终选中的子块索引集，

是由索引集合

给出的矩阵Ψ相应列构成的子矩阵，

表示

张成空间的范围；

利用正交投影计算本轮迭代的最终估计值：

并求出残差矢量：

r^l+1＝y-Ah^l+1

迭代次数l＝l+1；判断是否满足迭代条件：||r^l+1||₂/||y||₂≥δ，如果是则回到步骤S272，否则输出信道矢量估计值h＝h^l。

Images