CN110086734B - 一种时变大规模mimo系统中的信道追踪和恢复方法 - Google Patents

一种时变大规模mimo系统中的信道追踪和恢复方法 Download PDF

Info

Publication number
CN110086734B
CN110086734B CN201910194760.3A CN201910194760A CN110086734B CN 110086734 B CN110086734 B CN 110086734B CN 201910194760 A CN201910194760 A CN 201910194760A CN 110086734 B CN110086734 B CN 110086734B
Authority
CN
China
Prior art keywords
channel
time
algorithm
model
uplink
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
CN201910194760.3A
Other languages
English (en)
Other versions
CN110086734A (zh
Inventor
张顺
闻浩海
李红艳
李牧野
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 CN201910194760.3A priority Critical patent/CN110086734B/zh
Publication of CN110086734A publication Critical patent/CN110086734A/zh
Application granted granted Critical
Publication of CN110086734B publication Critical patent/CN110086734B/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
    • H04L25/024—Channel estimation channel estimation algorithms

Landscapes

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

Abstract

本发明属于无线通信技术领域，公开了一种时变大规模MIMO系统中的信道追踪和恢复方法；通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off‑grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off‑grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建。本发明通过使用最优化贝叶斯卡尔曼滤波的方式在已知部分先验信息的基础上准确的追踪了下行信道，同时精确的还原了模型参数；本发明在时变在大规模MIMO系统中可有效追踪和还原上下行信道。

Description

一种时变大规模MIMO系统中的信道追踪和恢复方法
技术领域
本发明属于无线通信技术领域，尤其涉及一种时变大规模MIMO系统中的信道追踪和恢复方法。
背景技术
目前，最接近的现有技术：现有的联合空分复用(Joint Spatial DivisionMultiplexing,JSDM)的方法被提出，此方法将期望用户的信道协方差矩阵的特征空间映射至所有其他用户的特征空间的零空间从而使用户间的干扰变为零；此方法被进一步拓展，提出了一种低开销的最优化用户选择和预先形成算法以实现最优总速率。一种在两阶段预编码框架中的FDD大规模MIMO系统中名为波分复用的传输机制被提出，在此机制中，只有CSI被用于最优化下行传输。一种TDD/FDD大规模MIMO系统中的新型信道估计方法被提出，此方法从瞬时上行CSI中提取出角度参数和功率角度谱(Power Angular Spectrum,PAS)，重构了上行信道协方差矩阵(Channel Covariance Matrices,CCM)，并利用其提升了上行信道估计性能且未造成额外的训练开销，此方法不需要长时间获取上行CCM并且能处理拥有大AS的更加实际的信道传播环境。以上的这些策略需要使用空间信息以实现不同用户间的正交传输，理论上这些空间信息可使用信道协方差矩阵推出。因此，以上方法需要高效且复杂度低的获取信道协方差矩阵的方法。
由于高阶矩阵的奇异值分解(Singular Value Decomposition,SVD)存在复杂度高的问题，在大规模MIMO系统中获取信道协方差矩阵是十分困难的。为此，大规模MIMO瞬时信道的低秩模型和空间基础扩展模型(Spatial Basis Expansion Model,SBEM)被提出以在没有信道协方差矩阵情况下获取信道信息；一种时变大规模MIMO系统中新型信道追踪方法被提出。扩展的卡尔曼滤波(Kalman Filtering,KF)方法用于盲追踪中心角和导向矢量的泰勒级数展开式来获得角度扩展。此前提出了一种对时变大规模MIMO网络的信道估计方法，此方法使用了卡尔曼滤波和Rauch-Tung-Striebel平滑器(Rauch-Tung-StriebelSmoother)，基于EM的稀疏贝叶斯学习框架来获取时间相关因子、空间信息和信道功率。此方法还使用了降维的卡尔曼滤波器来追踪上下行虚拟信道。然而，信道功率和载波频率是密切相关的，信道功率并不能只从上行信道推出。另外，考虑到信号到达方向(Directionof Arrivals,DOAs)的随机性，由于空间采样的误差造成的功率泄露，采用现有的信道估计方法将不可避免地造成性能损失。
大规模MIMO由于其频谱和能量利用效率高从而使其成为第五代蜂窝网络(5G)的潜在关键技术。为充分利用大规模MIMO的优势，需要从基站(Base Station,BS)中获取准确的信道状态信息(Channel State Information,CSI)。在时分双工(Time DivisionDuplex,TDD)系统中，由于上行和下行使用同一个信道，基站的CSI可从上行训练中获取。然而在频分双工(Frequency Division Duplex,FDD)系统中，基站的CSI需要从上行训练、下行训练和CSI反馈中获取。而传输训练序列、CSI反馈以及当导频被污染时均会导致很大的开销。为减少信道训练和CSI反馈的开销，很多新的传输策略被提出以减少有效信道的维度。
综上所述，现有技术存在的问题是：由于高阶矩阵的SVD存在复杂度高的问题，在大规模MIMO系统中获取信道协方差矩阵是十分困难的。其次，信道功率和载波频率是密切相关的，信道功率并不能只从上行信道推出。此外，因为信号到达方向的随机性以及空间采样的误差造成的功率泄露，采用现有的信道估计方法将不可避免地造成性能损失。本发明解决的问题：针对信道功率不能只从上行信道推出的问题，本发明采用了OBKF在跟踪信道的同时恢复出参数。针对因为信号到达方向的随机性以及空间采样的误差造成的功率泄露，现有的信道估计方法造成性能损失的问题，本发明在建立信道模型的时考虑了这些因素，建立了带入射角偏差的off-grid模型，从而进一步提升了估计性能。
解决上述技术问题的难度：
传统的信道追踪方法，如classical KF等方式需要已知两个噪声的参数，而在本模型中这两个参数是未知的，因此无法使用传统方式追踪信道。本发明创新性地提出的OBKF方法，能在不使用这两个参数的情况下有效追踪和恢复信道。
解决上述技术问题的意义：
本发明在改进了信道模型，实现了在部分下行信道参数未知的情况下准确地对下行信道实现了跟踪，并且同时恢复出未知参数，从而有效提升了在时变大规模MIMO系统中的信道估计性能。
发明内容
针对现有技术存在的问题，本发明提供了一种时变大规模MIMO系统中的信道追踪和恢复方法。
本发明是这样实现的，一种时变大规模MIMO系统中的信道追踪和恢复方法，所述时变大规模MIMO系统中的信道追踪和恢复方法通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off-grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off-grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建。
进一步，所述时变大规模MIMO系统中的信道追踪和恢复方法包括：
步骤一：在上行多用户大规模MIMO系统中，基站有Nt＞＞1根以均匀线性阵列ULA排布的天线；k个单天线的用户均匀分布在基站的覆盖范围内；几何信道模型为第k个用户周围有l条散射，每个散射为单一传播路径；令
Figure BDA0001995484330000031
为Nt×Nt归一化离散傅里叶变换矩阵，令A代表
Figure BDA0001995484330000032
[BH]:,p是[AH]:,p对p的偏导，
Figure BDA0001995484330000033
Φ(ρk)H＝AH+BHdiag(ρk)，Φ(ρk)H为在
Figure BDA0001995484330000034
的基础上考虑了离散格点偏移的系数矩阵；
建立虚拟信道的自回归AR模型：
Figure BDA0001995484330000041
其中hk,m是第m个块时第k个用户与基站间的上行信道，时变过程rk,m代表高斯马尔可夫随机过程，αk是传输因子，
Figure BDA0001995484330000042
是过程噪声向量，Nt×Nt的对角矩阵
Figure BDA0001995484330000043
空间特征向量ck由下式决定：
Figure BDA0001995484330000044
设当前小区被分配了τ≤K个长度符合Ls≤Lc的正交训练序列，设正交训练序列集为S＝[s1,s2,...,sτ]，其中
Figure BDA0001995484330000045
Figure BDA0001995484330000046
为导频功率；令K＝Cτ，C为一整数且C≥1；将K个用户划分为C组，每组包含τ个用户；在第m个块时接收训练信号可表示为：
Figure BDA0001995484330000047
其中
Figure BDA0001995484330000048
令NtLsM×1向量
Figure BDA0001995484330000049
NτM×1向量
Figure BDA00019954843300000410
Nτ×1向量
Figure BDA00019954843300000411
τ×1向量α＝[α1,α2,...,ατ]T，N×1向量
Figure BDA00019954843300000412
τN×τN矩阵Λ＝blkdiag{Λ1,Λ2,...,Λτ}；导频的作用是利用观察模型和状态方程获取参数集
Figure BDA00019954843300000413
步骤二：使用EM算法迭代式地产生Ξ(l),l＝1,2,...序列，在第l步利用以下算法1计算
Figure BDA00019954843300000414
步骤三：将符合式
Figure BDA00019954843300000415
的用户划分到同一组，所有用户共划分为G个组，所有的在第g个组的用户的编号集合为
Figure BDA00019954843300000416
为每个组分配一个正交训练序列，每个组内的所有用户共用同一个训练序列；构建G×G矩阵SG满足
Figure BDA00019954843300000417
将sg＝[SG]:,g分配至组g，所有K个用户同时发送训练序列，组g的信号为：
Figure BDA0001995484330000051
其中
Figure BDA0001995484330000052
为等价高斯白噪声向量；
状态空间模型为：
Figure BDA0001995484330000053
其中
Figure BDA0001995484330000054
通过此模型，使用经典卡尔曼滤波跟踪上行信道；
步骤四：进行上行数据传输；
步骤五：使用以下算法2重构下行信道参数并恢复下行信道。
首先初始化上行信道参数，然后利用EM算法迭代进行参数的捕获；在下行跟踪时先利用上行估计的参数恢复出下行信道的部分参数，然后利用OBKF在噪声参数未知的情况下对信道进行跟踪，同时使用和积算法和MCMC方法将未知的噪声参数恢复出来。
进一步，所述步骤二使用EM算法迭代式地产生Ξ(l),l＝1,2,...序列，在第l步利用以下算法1计算
Figure BDA0001995484330000055
首先将
Figure BDA0001995484330000056
初始化为初始值是长度为Nt的零向量。再搜索出信道协方差矩阵非零点连续区间的起点和终点，即空间标签的非零点连续区间的起点和终点。通过多次迭代找出所有区间的起点和终点使所有非零点的功率大于95％。从而获得准确的空间标签
Figure BDA0001995484330000057
Figure BDA0001995484330000061
Figure BDA0001995484330000062
其中
Figure BDA0001995484330000063
进一步，所述步骤五具体包括：
算法2中gk,m为从基站到用户k在时间块m时的下行物理信道的模型；
Figure BDA0001995484330000071
Figure BDA0001995484330000072
为下行模型参数，在FDD模式下，Ξ′k与上行模型参数不同，Λ′k,
Figure BDA0001995484330000073
与载波频率有关；
Figure BDA0001995484330000074
式中
Figure BDA0001995484330000075
为下行时多普勒频率，
Figure BDA0001995484330000076
λ,λ′,
Figure BDA0001995484330000077
为对于特定用户已知的参数；
Figure BDA0001995484330000078
ρ′k为利用无线电波的传播路径中存在对等性从
Figure BDA0001995484330000079
ρk中恢复出的参数；
Figure BDA0001995484330000081
Figure BDA0001995484330000091
式中
Figure BDA0001995484330000092
为消除组内干扰后得到的组g的用户k的接收信号，等价高斯白噪声向量
Figure BDA0001995484330000093
Figure BDA0001995484330000094
式中
Figure BDA0001995484330000095
代表某一用户的所有未知参数集合；
Figure BDA0001995484330000096
式中
Figure BDA0001995484330000097
是在m时刻相对于
Figure BDA0001995484330000098
的信道估计误差的协方差矩阵；取
Figure BDA0001995484330000099
式为最优化贝叶斯卡尔曼滤波OBKF框架，其被用于追踪下行虚拟信道
Figure BDA00019954843300000910
Figure BDA00019954843300000911
为：对于所有1≤i≤m-1：
Figure BDA00019954843300000912
其中：
Figure BDA0001995484330000101
算法2中
Figure BDA0001995484330000102
是通过利用和积算法得出；
Figure BDA0001995484330000103
其中：
Figure BDA0001995484330000104
根据算法2中的递归过程计算出所有的参数。
进一步，算法2中
Figure BDA0001995484330000105
和
Figure BDA0001995484330000106
为使用MetropolisHastings MCMC算法估计出的后验有效噪声统计量；
Figure BDA0001995484330000107
为在第j次迭代中产生的采样序列中的最后一个接收的MCMC采样，选取以当前状态
Figure BDA0001995484330000108
为中心的高斯分布，依据接受比率r决定候选的MCMC采样
Figure BDA0001995484330000109
是否被接受，r的定义为：
Figure BDA00019954843300001010
第(j+1)次MCMC采样为：
Figure BDA00019954843300001011
迭代处理MCMC采样；对于任何
Figure BDA00019954843300001012
分布
Figure BDA00019954843300001013
的多样性是为MCMC采样的一个遍历马尔可夫链的充分条件，而其稳定态分布即为目标分布
Figure BDA0001995484330000111
在生成足够的MCMC样本后，后验有效噪声统计量可依据计算接受的MCMC样本均值获取。
本发明的另一目的在于提供一种应用所述时变大规模MIMO系统中的信道追踪和恢复方法的无线通信息系统。
本发明的另一目的在于提供一种应用所述时变大规模MIMO系统中的信道追踪和恢复方法的时变大规模MIMO系统。
综上所述，本发明的优点及积极效果为：针对传统classical KF等信道追踪方法需要已知两个噪声的参数，而在本模型中这两个参数是未知的问题。本发明通过使用最优化贝叶斯卡尔曼滤波的方式在已知部分先验信息的基础上准确的追踪了下行信道，并且同时恢复出未知参数，精确的还原了模型参数；相比于未知噪声参数时的传统KF跟踪，本发明在低信噪比的情况下能将性能提升100％～200％，在高信噪比的情况下性能基本与理想状况相同。本发明在时变在大规模MIMO系统中可有效追踪和还原上下行信道。
附图说明
图1是本发明实施例提供的时变大规模MIMO网络的信道追踪和恢复方法流程图。
图2是本发明实施提供的因子图。
图3是本发明实施提供的整体算法流程图。
图4是本发明实施例提供的时变大规模MIMO网络的信道追踪和恢复方法的应用场景示意图。
图5是本发明实施例提供的对比传统KF跟踪方式的仿真图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明通过使用最优化贝叶斯卡尔曼滤波的方式在已知部分先验信息的基础上准确的追踪了下行信道，同时精确的还原了模型参数；本发明在时变在大规模MIMO系统中可有效追踪和还原上下行信道。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的时变大规模MIMO系统中的信道追踪和恢复方法包括以下步骤：
步骤一：在上行多用户大规模MIMO系统中，基站有Nt＝128根以均匀线性阵列(Uniform Linear array,ULA)排布的天线。K＝32个单天线的用户均匀分布在基站的覆盖范围内。几何信道模型为第k个用户周围有l条散射，每个散射为单一传播路径。令
Figure BDA0001995484330000121
为Nt×Nt归一化离散傅里叶变换矩阵，令A代表
Figure BDA0001995484330000122
[BH]:,p是[AH]:,p对p的偏导，
Figure BDA0001995484330000123
Φ(ρk)H＝AH+BHdiag(ρk)，Φ(ρk)H为在
Figure BDA0001995484330000124
的基础上考虑了离散格点偏移的系数矩阵。
建立虚拟信道的自回归(Auto Regressive,AR)模型：
Figure BDA0001995484330000125
其中hk,m是第m个块时第k个用户与基站间的上行信道，时变过程rk,m代表高斯马尔可夫随机过程，αk是传输因子，
Figure BDA0001995484330000126
是过程噪声向量，Nt×Nt的对角矩阵
Figure BDA0001995484330000127
空间特征向量ck由下式决定：
Figure BDA0001995484330000128
设当前小区被分配了τ≤K,τ＝4个长度符合Ls≤Lc,Ls＝4,Lc＝160的正交训练序列，设正交训练序列集为S＝[s1,s2,...,sτ]，其中
Figure BDA0001995484330000129
Figure BDA00019954843300001210
为导频功率。令K＝Cτ，C＝8；将K个用户划分为C组，每组包含τ个用户。在第m个块时接收训练信号可表示为：
Figure BDA0001995484330000131
其中
Figure BDA0001995484330000132
令NtLsM×1向量
Figure BDA0001995484330000133
NτM×1向量
Figure BDA0001995484330000134
Nτ×1向量
Figure BDA0001995484330000135
τ×1向量α＝[α1,α2,...,ατ]T，N×1向量
Figure BDA0001995484330000136
τN×τN矩阵Λ＝blkdiag{Λ1,Λ2,...,Λτ}。导频的作用是利用观察模型和状态方程获取参数集
Figure BDA0001995484330000137
步骤二：使用EM算法迭代式地产生Ξ(l),l＝1,2,...序列，在第l步利用以下算法1计算
Figure BDA0001995484330000138
Figure BDA0001995484330000139
Figure BDA0001995484330000141
其中
Figure BDA0001995484330000142
步骤三：将符合式
Figure BDA0001995484330000143
的用户划分到同一组，所有用户共划分为G个组，所有的在第g个组的用户的编号集合为
Figure BDA0001995484330000144
为每个组分配一个正交训练序列，每个组内的所有用户共用同一个训练序列。构建G×G矩阵SG满足
Figure BDA0001995484330000145
将sg＝[SG]:,g分配至组g，所有K个用户同时发送训练序列，组g的信号为：
Figure BDA0001995484330000146
其中
Figure BDA0001995484330000147
为等价高斯白噪声向量。
状态空间模型为：
Figure BDA0001995484330000148
其中
Figure BDA0001995484330000149
通过此模型，使用经典卡尔曼滤波跟踪上行信道。
步骤四：进行上行数据传输。
步骤五：使用以下算法2重构并恢复下行信道。
Figure BDA0001995484330000151
算法2中gk,m为从基站到用户k在时间块m时的下行物理信道的模型。
Figure BDA0001995484330000161
Figure BDA0001995484330000162
为下行模型参数，在FDD模式下，Ξ′k与上行模型参数不同，Λ′k,
Figure BDA0001995484330000163
与载波频率有关。
Figure BDA0001995484330000164
式中
Figure BDA0001995484330000165
为下行时多普勒频率，
Figure BDA0001995484330000166
λ,λ′,
Figure BDA0001995484330000167
为对于特定用户已知的参数。
Figure BDA0001995484330000168
ρ′k为利用无线电波的传播路径中存在对等性从
Figure BDA0001995484330000169
ρk中恢复出的参数。
Figure BDA00019954843300001610
式中
Figure BDA00019954843300001611
为消除组内干扰后得到的组g的用户k的接收信号，等价高斯白噪声向量
Figure BDA00019954843300001612
Figure BDA00019954843300001613
式中
Figure BDA00019954843300001614
式描述了状态空间模型，
Figure BDA00019954843300001615
代表某一用户的所有未知参数集合。
Figure BDA0001995484330000171
式中
Figure BDA0001995484330000172
是在m时刻相对于
Figure BDA0001995484330000173
的信道估计误差的协方差矩阵。取
Figure BDA0001995484330000174
式为最优化贝叶斯卡尔曼滤波(OBKF)框架，其被用于追踪下行虚拟信道
Figure BDA0001995484330000175
图2中的
Figure BDA0001995484330000176
为：对于所有1≤i≤m-1：
Figure BDA0001995484330000177
其中
Figure BDA0001995484330000178
算法2中
Figure BDA0001995484330000179
是通过利用使用和积算法得出。
Figure BDA00019954843300001710
其中
Figure BDA0001995484330000181
根据算法2中的递归过程计算出所有的参数。
算法2中
Figure BDA0001995484330000182
和
Figure BDA0001995484330000183
为使用Metropolis HastingsMCMC算法估计出的后验有效噪声统计量。
Figure BDA0001995484330000184
为在第j次迭代中产生的采样序列中的最后一个接收的MCMC采样，选取以当前状态
Figure BDA0001995484330000185
为中心的高斯分布，依据接受比率r决定候选的MCMC采样
Figure BDA0001995484330000186
是否被接受，r的定义为：
Figure BDA0001995484330000187
第(j+1)次MCMC采样为：
Figure BDA0001995484330000188
使用上式迭代处理MCMC采样。对于任何
Figure BDA0001995484330000189
分布
Figure BDA00019954843300001810
的多样性是为MCMC采样的一个遍历马尔可夫链的充分条件，而其稳定态分布即为目标分布
Figure BDA00019954843300001811
在生成足够的MCMC样本后，后验有效噪声统计量可依据计算接受的MCMC样本均值来获取。
图5为对比传统KF跟踪方式的仿真图，相比于未知噪声参数时的传统KF跟踪，本发明在低信噪比的情况下能将性能提升100％～200％，在高信噪比的情况下性能基本与理想状况相同。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种时变大规模MIMO系统中的信道追踪和恢复方法，其特征在于，所述时变大规模MIMO系统中的信道追踪和恢复方法通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off-grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off-grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建；
所述时变大规模MIMO系统中的信道追踪和恢复方法包括：
步骤一：在上行多用户大规模MIMO系统中，基站有Nt＞＞1根以均匀线性阵列ULA排布的天线；k个单天线的用户均匀分布在基站的覆盖范围内；几何信道模型为第k个用户周围有l条散射，每个散射为单一传播路径；令
Figure FDA0003113687940000011
为Nt×Nt归一化离散傅里叶变换矩阵，令A代表
Figure FDA0003113687940000012
[BH]:,p是[AH]:,p对p的偏导，
Figure FDA0003113687940000013
Φ(ρk)H＝AH+BHdiag(ρk)，Φ(ρk)H为在
Figure FDA0003113687940000014
的基础上考虑了离散格点偏移的系数矩阵；
建立虚拟信道的自回归AR模型：
Figure FDA0003113687940000015
其中hk,m是第m个块时第k个用户与基站间的上行信道，时变过程rk,m代表高斯马尔可夫随机过程，αk是传输因子，
Figure FDA0003113687940000016
是过程噪声向量，Nt×Nt的对角矩阵
Figure FDA0003113687940000017
空间特征向量ck由下式决定：
Figure FDA0003113687940000018
设当前小区被分配了τ≤K个长度符合Ls≤Lc的正交训练序列，设正交训练序列集为S＝[s1,s2,...,sτ]，其中
Figure FDA0003113687940000019
Figure FDA00031136879400000110
为导频功率；令K＝Cτ，C为一整数且C≥1；将K个用户划分为C组，每组包含τ个用户；在第m个块时接收训练信号可表示为：
Figure FDA0003113687940000021
其中
Figure FDA0003113687940000024
令NtLsM×1向量
Figure FDA0003113687940000025
NτM×1向量
Figure FDA0003113687940000026
Nτ×1向量
Figure FDA0003113687940000027
τ×1向量α＝[α1,α2,...,ατ]T，N×1向量
Figure FDA0003113687940000028
τN×τN矩阵Λ＝blkdiag{Λ1,Λ2,...,Λτ}；导频的作用是利用观察模型和状态方程获取参数集
Figure FDA0003113687940000029
步骤二：使用EM算法迭代式地产生Ξ(l),l＝1,2,...序列，在第l步利用以下算法1计算
Figure FDA00031136879400000210
步骤三：将符合式
Figure FDA00031136879400000211
的用户划分到同一组，所有用户共划分为G个组，所有的在第g个组的用户的编号集合为
Figure FDA00031136879400000212
为每个组分配一个正交训练序列，每个组内的所有用户共用同一个训练序列；构建G×G矩阵SG满足
Figure FDA00031136879400000213
将sg＝[SG]:,g分配至组g，所有K个用户同时发送训练序列，组g的信号为：
Figure FDA00031136879400000214
其中
Figure FDA00031136879400000217
为等价高斯白噪声向量；
状态空间模型为：
Figure FDA00031136879400000218
其中
Figure FDA00031136879400000219
通过此模型，使用经典卡尔曼滤波跟踪上行信道；
步骤四：进行上行数据传输；
步骤五：使用以下算法2重构并恢复下行信道；
所述步骤二使用EM算法迭代式地产生Ξ(l),l＝1,2,…序列，在第l步利用以下算法1计算
Figure FDA0003113687940000031
Figure FDA0003113687940000032
其中
Figure FDA0003113687940000033
所述步骤五具体包括：算法2中gk,m为从基站到用户k在时间块m时的下行物理信道的模型；
Figure FDA0003113687940000034
Figure FDA0003113687940000035
为下行模型参数，在FDD模式下，Ξ′k与上行模型参数不同，Λ′k,
Figure FDA0003113687940000036
与载波频率有关；
Figure FDA0003113687940000037
式中
Figure FDA0003113687940000038
为下行时多普勒频率，
Figure FDA0003113687940000039
λ,λ′,
Figure FDA00031136879400000310
为对于特定用户已知的参数；
Figure FDA00031136879400000311
ρ′k为利用无线电波的传播路径中存在对等性从
Figure FDA00031136879400000312
ρk中恢复出的参数；
Figure FDA0003113687940000041
式中
Figure FDA0003113687940000042
为消除组内干扰后得到的组g的用户k的接收信号，等价高斯白噪声向量
Figure FDA0003113687940000043
Figure FDA0003113687940000044
式中
Figure FDA0003113687940000046
代表某一用户的所有未知参数集合；
Figure FDA0003113687940000047
式中
Figure FDA0003113687940000048
是在m时刻相对于
Figure FDA00031136879400000410
的信道估计误差的协方差矩阵；取
Figure FDA00031136879400000411
式为最优化贝叶斯卡尔曼滤波OBKF框架，其被用于追踪下行虚拟信道
Figure FDA00031136879400000412
Figure FDA00031136879400000413
为：对于所有1≤i≤m-1：
Figure FDA00031136879400000414
其中：
Figure FDA0003113687940000051
算法2中
Figure FDA0003113687940000052
是通过利用和积算法得出；
Figure FDA0003113687940000053
其中：
Figure FDA0003113687940000054
根据算法2中的递归过程计算出所有的参数；
算法2中
Figure FDA0003113687940000055
和
Figure FDA0003113687940000056
为使用Metropolis Hastings MCMC算法估计出的后验有效噪声统计量；
Figure FDA0003113687940000057
为在第j次迭代中产生的采样序列中的最后一个接收的MCMC采样，选取以当前状态
Figure FDA0003113687940000058
为中心的高斯分布，依据接受比率r决定候选的MCMC采样
Figure FDA0003113687940000059
是否被接受，r的定义为：
Figure FDA00031136879400000510
第(j+1)次MCMC采样为：
Figure FDA00031136879400000511
迭代处理MCMC采样；对于任何
Figure FDA00031136879400000512
分布
Figure FDA00031136879400000513
的多样性是为MCMC采样的一个遍历马尔可夫链的充分条件，而其稳定态分布即为目标分布
Figure FDA0003113687940000061
在生成足够的MCMC样本后，后验有效噪声统计量可依据计算接受的MCMC样本均值获取。
2.一种应用权利要求1所述时变大规模MIMO系统中的信道追踪和恢复方法的无线通信息系统。
3.一种应用权利要求1所述时变大规模MIMO系统中的信道追踪和恢复方法的时变大规模MIMO系统。
CN201910194760.3A 2019-03-14 2019-03-14 一种时变大规模mimo系统中的信道追踪和恢复方法 Active CN110086734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910194760.3A CN110086734B (zh) 2019-03-14 2019-03-14 一种时变大规模mimo系统中的信道追踪和恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910194760.3A CN110086734B (zh) 2019-03-14 2019-03-14 一种时变大规模mimo系统中的信道追踪和恢复方法

Publications (2)

Publication Number Publication Date
CN110086734A CN110086734A (zh) 2019-08-02
CN110086734B true CN110086734B (zh) 2021-09-10

Family

ID=67412590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910194760.3A Active CN110086734B (zh) 2019-03-14 2019-03-14 一种时变大规模mimo系统中的信道追踪和恢复方法

Country Status (1)

Country Link
CN (1) CN110086734B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112702093B (zh) * 2020-12-22 2021-11-30 杭州电子科技大学 Fdd下行多用户大规模mimo系统中的信道估计方法
CN113938935B (zh) * 2021-10-13 2024-01-09 东南大学 基于期望最大化算法的信道知识地图构建方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107171708A (zh) * 2017-05-25 2017-09-15 清华大学 一种大规模mimo系统的信道跟踪与混合预编码方法
CN108964725A (zh) * 2018-07-20 2018-12-07 西安电子科技大学 时变大规模mimo网络中信道参数的稀疏估计方法
CN109150258A (zh) * 2018-08-28 2019-01-04 中国联合网络通信集团有限公司 一种信道追踪方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8995410B2 (en) * 2012-05-25 2015-03-31 University Of Southern California Airsync: enabling distributed multiuser MIMO with full multiplexing gain

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107171708A (zh) * 2017-05-25 2017-09-15 清华大学 一种大规模mimo系统的信道跟踪与混合预编码方法
CN108964725A (zh) * 2018-07-20 2018-12-07 西安电子科技大学 时变大规模mimo网络中信道参数的稀疏估计方法
CN109150258A (zh) * 2018-08-28 2019-01-04 中国联合网络通信集团有限公司 一种信道追踪方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Sparse Bayesian Learning for the Channel Statistics";Jianpeng Ma;《2017 IEEE Global Communications Conference》;20180215;第1-6页 *
"卡尔曼预测在干扰对齐中的应用";周墨淼;《北 京 邮 电 大 学 学 报》;20170228;第40卷(第1期);第1-5页 *

Also Published As

Publication number Publication date
CN110086734A (zh) 2019-08-02

Similar Documents

Publication Publication Date Title
CN109104225B (zh) 一种能效最优的大规模mimo波束域多播传输方法
CN113472705B (zh) 基于zc序列的ris辅助信道的估计及预测方法
CN109194373B (zh) 一种大规模mimo波束域联合单播多播传输方法
Zhu et al. Bayesian channel estimation in multi-user massive MIMO with extremely large antenna array
CN110311715B (zh) 能效最优的大规模mimo非正交单播多播传输功率分配方法
CN109831233B (zh) 一种多小区协调大规模mimo波束域多播功率分配方法
CN111970033B (zh) 能效谱效联合优化的大规模mimo多播功率分配方法
Li et al. Time-varying massive MIMO channel estimation: Capturing, reconstruction, and restoration
Liu et al. Deep residual network empowered channel estimation for IRS-assisted multi-user communication systems
CN114338301B (zh) 一种基于压缩感知的ris辅助毫米波系统的信道估计方法
CN105471775B (zh) 一种大规模mimo系统中低复杂度的信道估计方法
CN110086734B (zh) 一种时变大规模mimo系统中的信道追踪和恢复方法
CN114567525B (zh) 一种信道估计方法及装置
CN112235022B (zh) 一种低复杂度的大规模mimo低轨卫星预编码方法
CN112769462B (zh) 一种基于联合参数学习的毫米波mimo宽带信道估计方法
Akdim et al. Variational hierarchical posterior matching for mmWave wireless channels online learning
CN117614781A (zh) 基于ris的两阶段超分辨率参数信道估计方法及装置
CN109787672B (zh) 基于参数学习的大规模mimo格点偏移信道估计方法
Gomes et al. Joint DL and UL channel estimation for millimeter wave MIMO systems using tensor modeling
Boby et al. A wireless precoding technique for millimetre-wave MIMO system based on SIC-MMSE
CN115022129B (zh) 基于anm的多用户上行传输ris辅助系统的信道估计方法
CN114301508A (zh) 基于过时csi的可重构智能表面辅助mimo传输中的双时间尺度优化方法
CN114629533A (zh) 大规模mimo信道估计的信息几何方法及系统
Seidel et al. A novel approach for combining local estimates for fully decentralized feedforward massive MIMO equalization: The multistep fusion
Bian et al. Joint Activity-Delay Detection and Channel Estimation for Asynchronous Massive Random Access

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