CN109743086A - 一种大规模mimo系统的信道估计方法 - Google Patents

Abstract

本发明提供一种大规模MIMO系统的信道估计方法，随着天线数目的增加，其计算复杂度不会变得更加复杂，进而可以利用现有设备完成大规模MIMO系统的信道估计。其包括步骤：S1：根据MIMO系统模型利用接收信号向量r构造样本协方差矩阵S2：基于所述样本协方差矩阵采用FSCAPI子空间追踪算法求解所述信号子空间R_S；S3：利用导频序列Φ求得基于导频的信道增益矩阵的初始估计S4：利用所述信号子空间R_S和所述信道增益矩阵的初始估计对模糊矩阵E_j进行求解；S5：基于所述信号子空间R_S、所述模糊矩阵E_j和所述信道增益矩阵的初始估计利用ILSP算法对所述信道增益矩阵的初始估计进行重新估计，得到信道增益矩阵的最终估计

Description

一种大规模MIMO系统的信道估计方法

技术领域

本发明涉及无线通信技术领域，具体为一种大规模MIMO系统的信道估计方法。

背景技术

大规模MIMO(Large Scale-Multiple-Input Multiple-Output,LS-MIMO)系统是第五代移动通信系统的关键技术之一，通过在基站和用户端配备大量天线，显著地提高系统的信道容量、数据传输速率、频谱效率和通信质量。由于天线数的增多，许多适用于传统MIMO系统的高性能的方法不再适用于大规模MIMO系统，因为这些方法往往会产生较高的计算复杂度。例如，半盲信道估计算法中，主要通过基于奇异值分解(Singular ValueDecomposition，SVD)或特征值分解(Eigenvalue Decomposition，EVD)等算法获得接收信号的子空间。但是基于SVD或EVD分解的半盲信道估计算法具有很高的计算复杂度，随着天线数目的增加，过高的计算复杂度会导致有可能在信号传输的一个相干时间内无法完成相关计算，进而导致对设备的性能要求越来越高。

发明内容

为了解决随着MIMO系统中天线数目增加，信道估计方法的计算复杂度变高的问题，本发明提供一种大规模MIMO系统的信道估计方法，随着天线数目的增加，其计算复杂度不会变得更加复杂，进而可以利用现有设备完成大规模MIMO系统的信道估计。

本发明提出的一种大规模MIMO系统的信道估计方法，其包括以下步骤：

S1：根据MIMO系统模型利用基站端接收信号向量r构造样本协方差矩阵将所述样本协方差矩阵按照以下公式进行近似替代：

其中：r(t)表示t时刻基站端的接收信号，N表示样本数，p_u表示信噪比，G表示信道增益矩阵，s表示发射信号向量，w表示噪声向量；

其特征在于，其还包括下面的步骤：

S2：基于所述样本协方差矩阵可得到以下公式，

采用FSCAPI子空间追踪算法求解所述信号子空间R_S，

其中：

矩阵R可以分解为R＝[R_s,R_n]，R_s表示信号子空间，R_n表示噪声子空间，Σ表示对角矩阵；

S3：利用导频序列Φ求得基于导频的信道增益矩阵的初始估计

S4：利用所述信号子空间R_S和所述信道增益矩阵的初始估计对模糊矩阵E_j进行求解；

S5：基于所述信号子空间R_S、所述模糊矩阵E_j和所述信道增益矩阵的初始估计利用ILSP算法对所述信道增益矩阵的初始估计进行重新估计，得到信道增益矩阵的最终估计

其进一步特征在于：

步骤S2中，所述信号子空间R_S的求解方法为使用下面的迭代方程进行迭代计算，具体包括：

For t＝1，2，……N

给定r(t)，其中，Λ(t)的初始值为Λ(0)，Λ(0)＝[I_K；0_(M-K)×K]，

End for，

其中，N表示样本数，t表示时刻，r(t)表示任意时刻t基站端的接收信号，K为用户数量，M为基站端天线数，Λ(t)表示所求解的子空间，和g(t)表示迭代过程中的所需向量；

步骤S3中，所述信道增益矩阵的初始估计的计算通过以下公式进行：

其中：p_t表示发射功率，G表示信道增益矩阵，Φ表示导频序列矩阵，N表示噪声矩阵，Y^p

表示接收导频信号矩阵；

步骤S4中，所述模糊矩阵E_j的求解公式为：

令R_s＝Λ(t)，则

其中：R_s表示所述信号子空间，为所述信道增益矩阵的初始估计；

步骤S5中，计算所述信道增益矩阵的最终估计的具体步骤如下：

S5-1：因为将E_j的求解公式带入其中，得到信道增益矩阵的估计：

S5-2：初始化初始化迭代次数K_step，假设k＝0，

For k+＝1

重复上述计算，直至k＝K_step，

最终所得到的即所述信道增益矩阵的最终估计

其中：表示使用初始估计信道作为真实信道所检测得到的信号，表示利用检测得到的信号再次估计得到的估计信道增益矩阵，k为预设迭代次数，p_u表示信噪比，Y_l表示接收信号矩阵，S_l表示发射信号矩阵，E_j为所述模糊矩阵，R_s表示所述信号子空间。

本发明提供的一种大规模MIMO系统的信道估计方法，通过利用FSCAPI子空间追踪算法对接收信号进行子空间的求解，相比于传统的SVD或EVD分解的方法，大大降低了计算复杂度，然后利用ILSP迭代法，将求解得到的信道增益矩阵的初始估计值视为真实值进行信号检测，然后利用检测得到的信号再次估计信道；通过FSCAPI子空间追踪算法和ILSP迭代法的结合使用，不仅降低了计算复杂度，而且使得估计的值更为精确；即，随着系统中天线数目的增加，使用本发明的技术方案对信道进行估计，因为计算复杂度没有明显变化，使用现有设备即可完成相关计算，无需更换性能更好的设备。

附图说明

图1为基站端接收天线数量固定，信噪比变化的时候，通过各个算法得到的归一化最小均方误差性能的比较图；

图2为基站端接收天线数变化，信噪比一定的时候，通过各个算法得到的归一化最小均方误差性能的比较图；

图3为基站端接收天线数变化的时候，通过各个算法得到的计算复杂度性能的比较图。

具体实施方式

如图1～图3所示，本发明包括一种大规模MIMO系统的信道估计方法，其包括以下步骤：

S1：根据MIMO系统模型利用接收信号向量r构造样本协方差矩阵将样本协方差矩阵按照以下公式进行近似替代：

其中：r(t)表示t时刻基站端的接收信号，N表示样本数，r表示基站端接收信号向量，p_u表示信噪比，G表示信道增益矩阵，s表示发射信号向量，w表示噪声向量；

S2：样本协方差矩阵基于传统的SVD或EVD分解时，可得到以下公式，

其中：矩阵R可以分解为R＝[R_s,R_n]，R_s表示信号子空间，R_n表示噪声子空间，

Σ表示对角矩阵，由于采用SVD或EVD的分解求解子空间的计算复杂度太高，此处采用FSCAPI(Fast single compensation approximated power iteration)子空间追踪算法求解信号子空间R_S；

信号子空间R_S的求解方法为使用下面的迭代方程进行迭代计算，具体包括：

For t＝1，2，……N

给定r(t)，其中，Λ(t)的初始值为Λ(0)，Λ(0)＝[I_K；0_(M-K)×K]

End for，

其中，N表示样本数，t表示时刻，r(t)表示任意时刻t基站端的接收信号，K为用户数量，M为基站端天线数，Λ(t)表示所求解的子空间，和g(t)表示迭代过程中的所需向量；

S3：利用导频序列Φ求得基于导频的信道增益矩阵的初始估计

基于导频序列的信道增益矩阵的初始估计的计算方法为以下公式：

其中：p_t表示发射功率，G表示信道增益矩阵，Φ表示导频序列矩阵，N表示噪声矩阵，表示基于导频序列估计得到的信道增益矩阵，Y^p表示接收导频信号矩阵；

S4：利用所求得的信号子空间R_S和所求得的信道增益矩阵的初始估计对模糊矩阵E_j进行求解；

模糊矩阵E_j的的求解公式为：

令R_s＝Λ(t)，则

S5：基于所求得的信号子空间R_S、所求得的模糊矩阵E_j和基于导频的信道增益矩阵的初始估计利用ILSP(Iterative least square with projection)算法对所得信道增益矩阵估计的初始值进行重新估计，得到信道增益矩阵的最终估计

计算信道增益矩阵的最终估计的具体步骤如下：

S5-1：因为将E_j的求解公式带入其中，得到信道增益矩阵的估计：

S5-2：初始化初始化迭代次数K_step，假设k＝0，

For k+＝1

重复上述计算，直至k＝K_step；

最终所得到的即信道增益矩阵的最终估计

其中：表示使用初始估计信道作为真实信道所检测得到的信号，表示利用检测得到的信号再次估计得到的估计信道增益矩阵，k为预设迭代次数，p_u表示信噪比，Y_l＝[r(1),r(2),...r(N)]表示接收信号矩阵，S_l＝[s(1),s(2),...s(N)]表示发射信号矩阵。

公式参考文献《Subspace-based semi-blind channel estimation forlarge scale multi-cell multiuser MIMO systems》Anzhong HU,Tiejun Lv,YuemingLu。

综上，本发明的技术方案中，用基于子空间低复杂度的大规模MIMO信道估计方法估计信道矩阵迭代过程具体如下所述：

本发明实施例所适用的系统模型为：

式中是基站端接收的信号，是发射端发送的信号，p_u表示信噪比，N_r表示接收天线数目，N_t表示发射天线数目，是加性高斯白噪声，表示瑞利衰落信道。

把本发明的技术方案与传统的算法进行比较，进行比较的算法如下所示：

本发明的技术方案(图中标记为Proposed-estimator)

基于SVD分解估计算法(图中标记为SVD-based-estimator)

基于EVD分解估计算法(图中标记为EVD-based-estimator)

基于FSCAPI估计算法(图中标记为FSCAPI-based-estimator)

基于SVD-ILSP算法(图中标记为SVD-ILSP-estimator)，

具体的结果参照附图1～附图3。

图1是在基站端接收天线数为100，用户数为10，样本数为100的条件下，通过各个算法得到的归一化最小均方误差性能的比较图。在基站端天线数和用户数相同的情况下，样本数一定，比较了不同方法在不同信噪比下的归一化均方误差，由图中可以看出，随着信噪比增大时，基于EVD方法的性能几乎不变，而基于SVD、FSCAPI、SVD-ILSP和本发明的技术方案的归一化最小均方误都随着信噪比增加而减少，其中本发明的技术方案要优于SVD、FSCAPI，和SVD-ILSP性能相似。

图2是在基站端接收天线数变化时，用户数为10，样本数为100的条件下，通过各个算法得到的归一化最小均方误差性能的比较图。在信噪比一定的情况下，比较了不同方法随基站端天线数量变化的归一化均方误差，由图可知，五种方法随着天线数的增加其归一化最小均方误都有所降低，其中本发明的技术方案的性能要优于基于EVD、SVD、FSCAPI方法，而与基于SVD-ILSP方法性能相近。

图3是在基站端接收天线数变化的时候，通过各个算法得到的计算复杂度性能的比较图。比较了在不同天线数量下五种方法的计算复杂度，由图可知，基于SVD、SVD-ILSP两种方法随着天线数量的增加，计算复杂度随之快速增大，基于EVD方法的计算复杂度也随之增大，但幅度较缓，而本发明的技术方案与基于FSCAPI方法的复杂度几乎相同，变化较小。

综上，可知，本发明的技术方案中基于FSCAPI算法和ILSP算法，两个算法结合使用后的信道估计算法的性能随着信噪比、基站端的天线数量增加时，归一化均方误差随之减少。其性能要优于基于SVD分解估计算法、基于EVD分解估计算法、基于FSCAPI估计算法，和基于SVD-ILSP算法的性能相似，但是与基于SVD-ILSP算法相比，本发明的技术方案的计算复杂度大大降低。

Claims (10)

1.一种大规模MIMO系统的信道估计方法，其包括以下步骤：

S1：根据MIMO系统模型利用基站端接收信号向量r构造样本协方差矩阵将所述样本协方差矩阵按照以下公式进行近似替代：

其中：r(t)表示t时刻基站端的接收信号，N表示样本数，p_u表示信噪比，G表示信道增益矩阵，s表示发射信号向量，w表示噪声向量；

其特征在于，其还包括下面的步骤：

S2：基于所述样本协方差矩阵可得到以下公式，

采用FSCAPI子空间追踪算法求解所述信号子空间R_S，

其中：

矩阵R可以分解为R＝[R_s,R_n]，R_s表示信号子空间，R_n表示噪声子空间，Σ表示对角矩阵；

S3：利用导频序列Φ求得基于导频的信道增益矩阵的初始估计

S4：利用所述信号子空间R_S和所述信道增益矩阵的初始估计对模糊矩阵E_j进行求解；

S5：基于所述信号子空间R_S、所述模糊矩阵E_j和所述信道增益矩阵的初始估计利用ILSP算法对所述信道增益矩阵的初始估计进行重新估计，得到信道增益矩阵的最终估计

2.根据权利要求1所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S2中，所述信号子空间R_S的求解方法为使用下面的迭代方程进行迭代计算，具体包括：

For t＝1，2，……N

给定r(t)，其中，Λ(t)的初始值为Λ(0)，Λ(0)＝[I_K；0_(M-K)×K]，

End for，

其中，N表示样本数，t表示时刻，r(t)表示任意时刻t基站端的接收信号，K为用户数量，M为基站端天线数，Λ(t)表示所求解的子空间，和g(t)表示迭代过程中的所需向量。

3.根据权利要求1所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S3中，所述信道增益矩阵的初始估计的计算通过以下公式进行：

其中：p_t表示发射功率，G表示信道增益矩阵，Φ表示导频序列矩阵，N表示噪声矩阵，Y^p表示接收导频信号矩阵。

4.根据权利要求2所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S3中，所述信道增益矩阵的初始估计的计算通过以下公式进行：

其中：p_t表示发射功率，G表示信道增益矩阵，Φ表示导频序列矩阵，N表示噪声矩阵，Y^p表示接收导频信号矩阵。

5.根据权利要求1所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S4中，所述模糊矩阵E_j的求解公式为：

令R_s＝Λ(t)，则

其中：R_s表示所述信号子空间，为所述信道增益矩阵的初始估计。

6.根据权利要求2所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S4中，所述模糊矩阵E_j的求解公式为：

令R_s＝Λ(t)，则

其中：R_s表示所述信号子空间，为所述信道增益矩阵的初始估计。

7.根据权利要求3所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S4中，所述模糊矩阵E_j的求解公式为：

令R_s＝Λ(t)，则

其中：R_s表示所述信号子空间，为所述信道增益矩阵的初始估计。

8.根据权利要求4所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S4中，所述模糊矩阵E_j的求解公式为：

令R_s＝Λ(t)，则

其中：R_s表示所述信号子空间，为所述信道增益矩阵的初始估计。

9.根据权利要求1所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S5中，计算所述信道增益矩阵的最终估计的具体步骤如下：

S5-1：因为将E_j的求解公式带入其中，得到信道增益矩阵的估计：

S5-2：初始化初始化迭代次数K_step，假设k＝0，

For k+＝1

重复上述计算，直至k＝K_step，

最终所得到的即所述信道增益矩阵的最终估计

其中：表示使用初始估计信道作为真实信道所检测得到的信号，表示利用检测得到的信号再次估计得到的估计信道增益矩阵，k为预设迭代次数，p_u表示信噪比，Y_l表示接收信号矩阵，S_l表示发射信号矩阵，E_j为所述模糊矩阵，R_s表示所述信号子空间。

10.根据权利要求8所述一种大规模MIMO系统的信道估计方法，其特征在于：步骤S5中，计算所述信道增益矩阵的最终估计的具体步骤如下：

S5-1：因为将E_j的求解公式带入其中，得到信道增益矩阵的估计：

S5-2：初始化初始化迭代次数K_step，假设k＝0，

For k+＝1

重复上述计算，直至k＝K_step，

最终所得到的即所述信道增益矩阵的最终估计

其中：表示使用初始估计信道作为真实信道所检测得到的信号，表示利用检测得到的信号再次估计得到的估计信道增益矩阵，k为预设迭代次数，p_u表示信噪比，Y_l表示接收信号矩阵，S_l表示发射信号矩阵，E_j为所述模糊矩阵，R_s表示所述信号子空间。