CN109274613B - 一种信道估计方法、系统及存储介质 - Google Patents
一种信道估计方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109274613B CN109274613B CN201811105417.9A CN201811105417A CN109274613B CN 109274613 B CN109274613 B CN 109274613B CN 201811105417 A CN201811105417 A CN 201811105417A CN 109274613 B CN109274613 B CN 109274613B
- Authority
- CN
- China
- Prior art keywords
- vector
- particle
- channel
- optimal
- sub
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明公开了一种信道估计方法、系统及存储介质,所述方法包括:对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;提取各子径的复信道增益、到达角、离开角,构建待优化向量;将待优化向量作为粒子构建粒子群;设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;根据最优向量恢复信道矩阵中相应信息。本发明能够以低复杂度、灵活高效的方式获得较好的信道估计质量。
Description
技术领域
本发明涉及一种信道估计方法、系统及存储介质,属于无线通信技术领域。
背景技术
随着移动通信技术的迅猛发展,网络用户规模、数据流量及数据速率等以前所未有的速度增长,现有的频谱资源无法满足发展的需要,于是研究学者们把目光投向了具有可用频带宽、抗干扰能力强、波束窄、方向性好等特点的毫米波频段。另一方面,大规模MIMO技术以其突出的高容量、高可靠性、以及低功耗等优势也引起了通信业内的广泛关注。但众多数量的天线使得大规模天线的使用面临天线尺寸过大的问题,而毫米波段的短波长正好为这一问题提供了解决途径。毫米波大规模MIMO系统是下一代移动通信的热点研究方向。
在大规模天线技术中,基站的信号处理非常依赖于准确的信道信息。可靠、有效地获取信道信息对于大规模天线系统的性能十分关键。大规模天线系统带来的性能提升主要来自于其对信道的空间自由度的利用。在基站端配置大量的发射天线,同时与配置多天线的多个用户进行通信,信道矩阵的维度大幅增加,使得传统的信道估计方法在系统中的应用开销非常大,信道参数的估计成为大规模系统实现时的难点问题。
目前对于毫米波的信道估计,主要是以压缩感知作为数学工具进行信道估计算法的设计。此类算法依赖于设计好的测量矩阵以及高效的重构算法恢复出稀疏矩阵,而且测量矩阵与重构算法对压缩感知算法的精确度和复杂度都有着直接的影响。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种信道估计方法、系统及存储介质,能够以低复杂度、灵活高效的方式获得较好的信道估计质量。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种信道估计方法,所述方法包括如下步骤:
对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;
提取各子径的复信道增益、到达角、离开角,构建待优化向量;
将待优化向量作为粒子构建粒子群;
设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;
根据最优向量恢复信道矩阵中相应信息。
第二方面,本发明提供了一种信道估计系统,所述系统包括:
信道矩阵构建模块:用于对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;
待优化向量构建模块:用于提取各子径的复信道增益、到达角、离开角,构建待优化向量;
最优向量确定模块:用于将待优化向量作为粒子构建粒子群;设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;
恢复模块:用于根据最优向量恢复信道矩阵中相应信息。
第三方面,本发明还提供了一种信道估计系统,包括存储器和处理器;
所述存储器用于存储指令;
所述处理器用于根据所述指令进行操作以执行前述信道估计方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述信道估计方法的步骤。
因此,本发明提供的信道估计方法、系统及存储介质,算法原理简单,充分利用毫米波信道的稀疏特性,将信道的特征参数组合作为粒子,采用粒子群算法得到信道特征参数的最优解,依据特征参数可进一步恢复信道信息矩阵,此算法以较低的复杂度实现了较好的信道估计性能。本发明适用于各类调制编码系统、各种不同发送接收方案的系统、且适用于上行或下行信道估计。
附图说明
图1是本发明所使用的一种毫米波MIMO系统的结构示意图;
图2是本发明实施例提供的一种信道估计方法的流程图。
具体实施方式
本发明实施例提供的信道估计方法,所述方法包括如下步骤:
步骤一:对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;具体的:
根据信道的时域稀疏性和角域稀疏性构建信道矩阵,信道矩阵的表达式如公式(1)所示:
式中:是信道的归一化因子,NBS表示基站的天线数目;NMS表示移动用户的天线数目;L表示子径数目;αl表示第l条子径的复信道增益;表示基站天线的相位响应向量, 表示基站第l条子径上信号的到达角,表示复数 表示复数 表示复数at(θl)表示移动台天线的相位响应向量,θl表示移动台第l条子径上信号的离开角,表示复数cosθl+jsinθl,表示复数cos(2θl)+jsin(2θl),表示cos[(NMS-1)θl]+jsin[(NMS-1)θl]。
步骤二:提取各子径的复信道增益、到达角、离开角,构建待优化向量;
步骤三:将待优化向量作为粒子构建粒子群;
步骤四:设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;具体的,确定最优向量的具体方法包括:
A、将各粒子的初始位置设定为初始局部最优位置,计算适应度函数的值,找出粒子群的全局最优位置;
B、更新各粒子的位置及运动速度;
C、根据当前位置计算新的适应度函数值,对于每个粒子:如果当前的适应度值更小,则用当前位置更新该粒子的局部最佳位置;
D、比较所有粒子的适应度值,根据最佳的适应度值确定粒子群的全局最优位置;
E、重复执行上述步骤B、C和D,达到迭代终止条件时,结束迭代,得到最优位置,即最优向量。
步骤五:根据最优向量恢复信道矩阵中相应信息。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
现以上行链路为例,结合附图对上行链路智能信道估计的实现方法作进一步详细描述。如图1所示,设一个毫米波MIMO系统中,基站和移动用户的天线数目分别为NBS和NMS,收发两端的天线阵列都是均匀线性阵列(ULA)。移动用户采用多根天线,基站侧采用数目众多的天线。为实现本发明,首先要建立基站接收信号的模型,并分析其数学表达式;设定信道模型,天线阵列数目等,提取信道关键参数形成粒子,确定适应度函数,利用粒子群算法对信道信息的关键参数进行优化求解,最后,再利用这些参数恢复所需的信道信息矩阵。具体包括以下步骤:
步骤(1)对毫米波MIMO系统上行链路的基站接收信号进行分析,建立相应的数学模型,并估算主要子径数量L;
基于毫米波MIMO系统设定的条件,对基站接收信号进行数学分析,得到接收信号y=WHHFs+WHz,其中,H为毫米波MIMO信道,z为高斯白噪声,s为NS×1的发送信号,F为NMS×NS的发送端处理矩阵,W为NBS×NS的接收端处理矩阵。
设主径数目为L,根据毫米波MIMO信道的时域稀疏性和角域稀疏性,信道矩阵H可以表示为
信道矩阵H可以简写为
Ha是信道增益矩阵,可写成对角矩阵形式Ha=ρdiag(α1,α2,…,αL),Ha对角线上的元素αl分别是各条子径的复信道增益,和AT=[at(θ1),at(θ2),…,at(θL)]分别是接收端和发送端的阵列响应矩阵。
步骤(2)提取信道的几个关键参数,组成一待优化向量,作为粒子;设定粒子初始值(初始位置),以实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,根据粒子群算法,对步骤(2)中的向量进行更新优化;
具体的:
依据毫米波MIMO信道的稀疏性模型,对各子径复信道增益、角度等几个参数组成一向量,即即为粒子。设定区域界限,最大运动速度Vnmax,粒子群数目N;把粒子位置xn(n=1,2,…,N)代入信道矩阵,并依据一定的训练序列计算求取接收信号将实际接收信号与根据粒子n的值计算得到的接收信号之间的误差作为适应度函数,即其中y为发送训练序列时经过实际信道接收端接收到的信号。
随机选取各粒子的初始位置,设定为各粒子的初始局部最优位置,计算各粒子的适应度值并比较,最佳适应度对应的粒子位置定为粒子群的初始全局最优位置;
根据v'n=wvn+ξ1k1(pbn-xn)+ξ2k2(gbn-xn)和x'n=xn+v'n更新粒子n的运动速度及位置,其中,v'n和x'n分别表示粒子更新后的速度和位置,w是惯性系数,ξ1和ξ2是学习因子,k1和k2是随机数;检查粒子位置范围是否超过限制,如超过,则继续迭代,使其位于限制范围内。
根据当前位置计算新的适应度函数值,对每个粒子,如果当前的适应度值更小,则用当前位置更新该粒子的局部最佳位置pbn=x'n;
重复执行上述步骤,达到迭代终止条件时,结束迭代,得到粒子群的最优位置,即信道关键参数的最优值。
迭代终止条件可以是达到最大迭代次数或者是最佳适应度值的改变量小于某个给定的阈值。
步骤(3)达到迭代终止条件时,停止更新过程,获得最优的向量,依据向量中所含参数恢复信道矩阵信息。
由上述本发明提供的具体实施方案可以看出,本发明利用毫米波信道的稀疏性,提取几个关键参数组成一待优化向量。粒子群智能算法鲁棒性好,算法可调参数比较少,以实际接收信号和根据粒子值计算得到的接收信号之间的误差作为适应度函数,采用粒子群优化算法进行优化,得到信道关键参数的最佳估计值,并在此基础上,恢复信道信息矩阵。本发明可适用于发送端不同的发送方案以及接收端不同的接收方案。
本发明实施例提供了一种信道估计系统,可以用于加载执行前述的信道估计方法,所述系统包括:
信道矩阵构建模块:用于对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;
待优化向量构建模块:用于提取各子径的复信道增益、到达角、离开角,构建待优化向量;
最优向量确定模块:用于将待优化向量作为粒子构建粒子群;设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;
恢复模块:用于根据最优向量恢复信道矩阵中相应信息。
本发明提供的信道估计系统的另一实施例包括存储器和处理器;
所述存储器用于存储指令;
所述处理器用于根据所述指令进行操作以执行前述信道估计方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述信道估计方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种信道估计方法,其特征在于,所述方法包括如下步骤:
对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;
提取各子径的复信道增益、到达角、离开角,构建待优化向量;
将待优化向量作为粒子构建粒子群;
设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;
根据最优向量恢复信道矩阵中相应信息;
根据信道的时域稀疏性和角域稀疏性构建信道矩阵,信道矩阵的表达式如公式(1)所示:
式中:是信道的归一化因子,NBS表示基站的天线数目;NMS表示移动用户的天线数目;L表示子径数目;αl表示第l条子径的复信道增益;表示基站天线的相位响应向量, 表示基站第l条子径上信号的到达角,表示复数 表示复数 表示复数at(θl)表示移动台天线的相位响应向量,θl表示移动台第l条子径上信号的离开角,表示复数cosθl+jsinθl,表示复数cos(2θl)+jsin(2θl),表示cos[(NMS-1)θl]+jsin[(NMS-1)θl];
确定最优向量的具体方法包括:
A、将各粒子的初始位置设定为初始局部最优位置,计算适应度函数的值,找出粒子群的全局最优位置;
B、更新各粒子的位置及运动速度;
C、根据当前位置计算新的适应度函数值,对于每个粒子:如果当前的适应度值更小,则用当前位置更新该粒子的局部最佳位置;
D、比较所有粒子的适应度值,根据最佳的适应度值确定粒子群的全局最优位置;
E、重复执行上述步骤B、C和D,达到迭代终止条件时,结束迭代,得到最优位置,即最优向量。
3.一种信道估计系统,其特征在于,所述系统包括:
信道矩阵构建模块:用于对基站实际接收信号进行数学分析,估算子径数目,并构建信道矩阵;
待优化向量构建模块:用于提取各子径的复信道增益、到达角、离开角,构建待优化向量;
最优向量确定模块:用于将待优化向量作为粒子构建粒子群;设定粒子初始位置,以基站实际接收信号与根据粒子值计算所得接收信号之间的误差作为适应度函数,对粒子的速度和位置进行更新,确定最优向量;
恢复模块:用于根据最优向量恢复信道矩阵中相应信息。
信道矩阵的表达式如公式(2)所示:
式中:是信道的归一化因子,NBS表示基站的天线数目;NMS表示移动用户的天线数目;L表示子径数目;αl表示第l条子径的复信道增益;表示基站天线的相位响应向量, 表示基站第l条子径上信号的到达角,表示复数 表示复数 表示复数at(θl)表示移动台天线的相位响应向量,θl表示移动台第l条子径上信号的离开角,表示复数cosθl+jsinθl,表示复数cos(2θl)+jsin(2θl),表示cos[(NMS-1)θl]+jsin[(NMS-1)θl];
确定最优向量的具体方法包括:
A、将各粒子的初始位置设定为初始局部最优位置,计算适应度函数的值,找出粒子群的全局最优位置;
B、更新各粒子的位置及运动速度;
C、根据当前位置计算新的适应度函数值,对于每个粒子:如果当前的适应度值更小,则用当前位置更新该粒子的局部最佳位置;
D、比较所有粒子的适应度值,根据最佳的适应度值确定粒子群的全局最优位置;
E、重复执行上述步骤B、C和D,达到迭代终止条件时,结束迭代,得到最优位置,即最优向量。
4.一种信道估计系统,其特征在于,包括存储器和处理器;
所述存储器用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~2任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1~2任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811105417.9A CN109274613B (zh) | 2018-09-21 | 2018-09-21 | 一种信道估计方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811105417.9A CN109274613B (zh) | 2018-09-21 | 2018-09-21 | 一种信道估计方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109274613A CN109274613A (zh) | 2019-01-25 |
CN109274613B true CN109274613B (zh) | 2021-02-12 |
Family
ID=65197926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811105417.9A Active CN109274613B (zh) | 2018-09-21 | 2018-09-21 | 一种信道估计方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109274613B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759303A (zh) * | 2021-08-04 | 2021-12-07 | 中山大学 | 一种基于粒子群算法的无网格波达角估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267409A (zh) * | 2008-04-28 | 2008-09-17 | 山东大学 | 一种mimo-ofdm双选择性信道的跟踪方法 |
CN103108397A (zh) * | 2013-03-08 | 2013-05-15 | 扬州万方电子技术有限责任公司 | 基于粒子群的无线Mesh网快速信道分配方法 |
CN105553531A (zh) * | 2015-12-14 | 2016-05-04 | 北京邮电大学 | 毫米波系统快速信道估计方法 |
CN105978666A (zh) * | 2016-04-22 | 2016-09-28 | 四川大学 | 空时信道优化mimo无线传输系统发射端及处理方法 |
CN106059728A (zh) * | 2016-05-05 | 2016-10-26 | 西安交通大学 | 一种大规模mimo系统中的基于相移的导频设计方法 |
-
2018
- 2018-09-21 CN CN201811105417.9A patent/CN109274613B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101267409A (zh) * | 2008-04-28 | 2008-09-17 | 山东大学 | 一种mimo-ofdm双选择性信道的跟踪方法 |
CN103108397A (zh) * | 2013-03-08 | 2013-05-15 | 扬州万方电子技术有限责任公司 | 基于粒子群的无线Mesh网快速信道分配方法 |
CN105553531A (zh) * | 2015-12-14 | 2016-05-04 | 北京邮电大学 | 毫米波系统快速信道估计方法 |
CN105978666A (zh) * | 2016-04-22 | 2016-09-28 | 四川大学 | 空时信道优化mimo无线传输系统发射端及处理方法 |
CN106059728A (zh) * | 2016-05-05 | 2016-10-26 | 西安交通大学 | 一种大规模mimo系统中的基于相移的导频设计方法 |
Non-Patent Citations (2)
Title |
---|
Performance of PSO and SA Assisted Joint Scheme;Islam E. Shaalan;《2013 21st International Conference on Software, Telecommunications and Computer Networks - (SoftCOM 2013)》;20131121;全文 * |
基于二进制粒子群算法的OFDM稀疏信道导频优化;刘远航,刘晓彤;《重庆邮电大学学报》;20170630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109274613A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112242861B (zh) | 大规模mimo系统的用户活跃性和信号联合检测方法 | |
US9729277B2 (en) | Signal detecting method and device | |
WO2009038271A1 (en) | Method for automatic clustering, and method and apparatus for multipath clustering in wireless communication using the same | |
CN105915477B (zh) | 基于gs方法的大规模mimo检测方法及硬件架构 | |
CN104023395B (zh) | 大规模mimo中基于波束空间转换的散射信源定位方法 | |
CN114124623B (zh) | 一种无线通信信道估计方法和装置 | |
CN112637950B (zh) | 基于角度相似性的指纹定位方法 | |
CN107171985B (zh) | 一种信道估计方法及系统 | |
CN109905917B (zh) | 基于无线携能的noma通信系统中无线资源分配方法 | |
CN101982953A (zh) | 宽带无线通信信道频域多维参数化模型及建模方法 | |
CN114500322B (zh) | 免授权大规模接入场景下设备活跃检测和信道估计方法 | |
CN116155412A (zh) | 无线信道评估方法及系统 | |
CN109274613B (zh) | 一种信道估计方法、系统及存储介质 | |
CN109581277B (zh) | 一种基于压缩感知理论的四维天线阵doa估计方法 | |
CN113517941B (zh) | 一种大规模mimo系统信道估计与迭代检测仿真方法和系统 | |
Rappaport et al. | Improving channel charting using a split triplet loss and an inertial regularizer | |
CN107181705A (zh) | 一种半盲信道估计方法及系统 | |
De Bast et al. | Expert-knowledge-based data-driven approach for distributed localization in cell-free massive MIMO networks | |
CN114679356B (zh) | 一种不依赖于似然函数的信道全维参数提取方法、装置及存储介质 | |
CN112996106B (zh) | 一种去蜂窝大规模mimo系统定位方法 | |
CN108462940A (zh) | 一种基于WiFi热点的室内定位方法 | |
CN104022985B (zh) | 一种应用于多输入多输出系统的信号检测方法及装置 | |
Faghani et al. | Recurrent neural network channel estimation using measured massive MIMO data | |
CN107835043A (zh) | 一种快速评估无线供电通信中信息传输中断概率的方法 | |
CN103513226A (zh) | 定位目标的方法和装置 |
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 |