CN110289898B - 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 - Google Patents

一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 Download PDF

Info

Publication number
CN110289898B
CN110289898B CN201910648781.8A CN201910648781A CN110289898B CN 110289898 B CN110289898 B CN 110289898B CN 201910648781 A CN201910648781 A CN 201910648781A CN 110289898 B CN110289898 B CN 110289898B
Authority
CN
China
Prior art keywords
bit
channel
base station
downlink channel
channel estimation
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
CN201910648781.8A
Other languages
English (en)
Other versions
CN110289898A (zh
Inventor
吕伟
王永良
邓斌
谢文冲
王晶晶
方其庆
张伟
周乐
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN201910648781.8A priority Critical patent/CN110289898B/zh
Publication of CN110289898A publication Critical patent/CN110289898A/zh
Application granted granted Critical
Publication of CN110289898B publication Critical patent/CN110289898B/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
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0658—Feedback reduction
    • H04B7/0663—Feedback reduction using vector or matrix manipulations
    • 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
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals

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)
  • Radio Transmission System (AREA)

Abstract

本发明提供了一种FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法：用户端进行信道估计得到下行链路信道估计；利用冗余字典，得到下行链路信道估计的稀疏表示；采用1比特压缩感知方法对下行链路信道估计进行1比特压缩测量得到比特流并反馈到基站端；基站端采用贝叶斯推断方法，利用用户端反馈的比特流进行信道信息恢复。本发明通过1比特压缩感知来对稀疏信道表示进行压缩测量得到比特流数据，将1比特压缩感知量化的比特流传输到基站端；基站端通过贝叶斯推断的处理框架来对信道进行恢复，从而完成下行信道反馈。本发明同时利用了冗余字典和1比特压缩感知的复数模型中的结构化稀疏特性，来改善信道估计精度，具有良好的信道估计效果。

Description

一种大规模MIMO系统中基于1比特压缩感知的信道反馈方法
技术领域
本发明属于无线通信技术领域，更具体地，涉及一种FDD大规模MIMO系统中的基于1比特压缩感知的下行链路信道反馈方法。
背景技术
大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)技术是5G无线通信系统的重要核心技术。获得精确的信道状态信息是提升大规模MIMO系统性能的关键。在频分双工(Frequency Division Duplexing，FDD)模式大规模MIMO系统中，采用原有的在长期演进(Long Term Evolution，LTE)系统中的基于码本的信道反馈方法面临很大挑战，随着天线数目的增加，码本的大小和反馈开销随天线数目增加。因此，FDD条件下的大规模MIMO系统的信道反馈问题非常重要。
在大规模MIMO系统中，一般基站端安装有几十甚至上百根天线，而在实际无线传播环境中占据主要能量的多径数目是有限的，因此，大规模MIMO的信道在空域具有稀疏性。目前，很多基于压缩感知的信道估计反馈研究中，用户端都是将接收到的导频信道直接回传到基站，在基站端进行信道恢复。但是在此过程中，接收的导频信号回传仍然需要消耗较多的比特数，比如以电脑存储为例，满足一定精度的整型数据需要16比特甚至32比特来表示，因此直接回传接收的导频信号仍然需要消耗较多的资源。
发明内容
本发明的目的在于提出一种FDD大规模MIMO系统中的信道反馈方法，即大规模MIMO系统中基于1比特压缩感知的信道反馈方法。该方法利用大规模MIMO信道的稀疏性，将具有稀疏性的大规模MIMO信道通过冗余字典进行表示；然后利用1比特压缩感知的方法对其进行压缩感知测量，从而得到由0和1表示的比特流；用户端将比特流传输到基站端；基站通过1比特压缩感知恢复算法来恢复信道信息，从而完成信道反馈过程。在多用户端场景下，基站可通过恢复得到多个用户端的信道信息来进行预编码，实现多用户端的信息传输。本发明中采用冗余字典来对大规模MIMO信道进行稀疏表示，增强其稀疏性；同时采用贝叶斯推断方法来对1比特压缩感知测量得到的比特流进行稀疏恢复，从而实现信道信息的有效反馈。
为了达到上述目的，本发明提供了一种FDD大规模MIMO系统中的基于1比特压缩感知的信道反馈方法，包括以下步骤：
步骤1：用户端接收基站发送的导频信号，并进行信道估计得到下行链路信道估计；并利用冗余字典，得到下行链路信道估计的稀疏表示。
假设FDD大规模MIMO系统中的基站配备有N根均匀线形放置的天线，用户端配备有单根天线。基站向用户端发送导频信号
Figure BDA0002134459150000021
下行链路信道为
Figure BDA0002134459150000022
ρd为下行链路信噪比，Td为导频长度，N为基站端天线数，
Figure BDA0002134459150000023
为接收端高斯白噪声，方差为σ2，则接收到的信号为
Figure BDA0002134459150000024
由于下行链路信道具有稀疏性，信道估计采用了冗余字典Dd，因此
Figure BDA0002134459150000025
其中
Figure BDA0002134459150000026
为冗余字典，M为冗余字典的大小，每一列由阵列的导向矢量构成；
Figure BDA0002134459150000027
为下行链路信道的空域表示。因此，接收信号可以表示为
Figure BDA0002134459150000028
其中
Figure BDA0002134459150000029
因此，当Td≥N时，可以采用最小二乘法或者最小均方误差方法来进行求解；当Td≤N时，可以采用稀疏恢复的方法进行求解。从而得到下行链路信道在冗余字典Dd上的稀疏表示估计
Figure BDA00021344591500000210
步骤2：用户端采用1比特压缩感知方法对下行链路信道估计的稀疏表示
Figure BDA0002134459150000031
进行1比特压缩测量，得到测量比特流
Figure BDA0002134459150000032
并反馈到基站端。
步骤2a:对下行链路信道的稀疏表示估计
Figure BDA0002134459150000033
进行压缩测量，得到y。
设1比特压缩采用测量矩阵为
Figure BDA0002134459150000034
L为测量矩阵B的行数，B中的元素为复高斯随机变量，均值为0，方差为1/L，则有
Figure BDA0002134459150000035
步骤2b:将压缩测量得到的复矢量y写成实数形式，然后进行1比特量化。
采用sgn(.)函数对复矢量y进行量化的过程如下：
Figure BDA0002134459150000036
其中
Figure BDA0002134459150000037
sgn(.)为符号函数，对其中的每一个元素判断其是否大于0(元素值大于0，则函数输出为1；否则函数输出为0)。y为复值矢量，无法进行1比特量化。通过将y表示成由实部和虚部构成的实值矢量
Figure BDA0002134459150000038
然后对实值矢量
Figure BDA0002134459150000039
通过sgn(.)函数进行1比特量化得到长度为2L的比特流
Figure BDA00021344591500000310
Re(.)表示求实部，Im(.)表示求虚部。
步骤3：基站端采用贝叶斯推断方法，利用用户端反馈的比特流
Figure BDA00021344591500000320
进行信道信息恢复。
假设
Figure BDA00021344591500000311
中的元素
Figure BDA00021344591500000312
满足高斯分布
Figure BDA00021344591500000313
Figure BDA00021344591500000314
为
Figure BDA00021344591500000315
中的元素，其中αi为高斯分布的精度，且αi满足伽马分布Gamma(αi|ai,bi)。由于sgn(.)为符号函数，不可微分，在计算后验概率
Figure BDA00021344591500000316
时不方便，采用逻辑函数(S形函数的一种)来近似sgn(.)函数得到后验概率
Figure BDA00021344591500000317
的近似表示；然后利用贝叶斯推断方法来得到
Figure BDA00021344591500000318
的估计值
Figure BDA00021344591500000319
步骤3a：初始化模型参数ai,bi,δi和αi。
步骤3b：计算
Figure BDA0002134459150000041
的均值μ和方差φ，和
Figure BDA0002134459150000042
的期望值如下：
Figure BDA0002134459150000043
Figure BDA0002134459150000044
Figure BDA0002134459150000045
其中φi,i和μi分别为φ和μ的第i个对角元素和第i个元素；
Figure BDA0002134459150000046
步骤3c：更新模型隐参数如下：
Figure BDA0002134459150000047
Figure BDA0002134459150000048
Figure BDA0002134459150000049
Figure BDA00021344591500000410
Figure BDA00021344591500000411
其中
Figure BDA00021344591500000412
为矩阵
Figure BDA00021344591500000413
的第i行矢量。
步骤3d：恢复估计信道的复数形式。
根据
Figure BDA00021344591500000414
和
Figure BDA00021344591500000415
恢复得到
Figure BDA00021344591500000416
然后，利用
Figure BDA00021344591500000417
恢复得到下行信道。
本发明所述的大规模MIMO下行链路信道反馈方法中，首先考虑到下行链路信道的稀疏性，在用户端通过冗余字典来对下行链路进行稀疏表示；然后通过1比特压缩感知来对稀疏信道表示进行压缩测量，得到比特流数据；用户端将1比特压缩感知量化的比特流传输到基站端；基站端通过贝叶斯推断的处理框架来对信道进行恢复，从而完成下行信道反馈。本发明不需要信道的稀疏性度信息，同时利用了冗余字典和1比特压缩感知的复数模型中的结构化稀疏特性，来改善信道估计精度，具有良好的信道估计效果。并且本发明中，直接将稀疏信道矢量量化为比特数据传输到基站，从而达到减少反馈开销的效果。
附图说明
图1为本发明实施例提供的一种FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法流程示意图；
图2为利用本发明方法的信道反馈信息进行预编码后的每用户端的传输速率示意图。
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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为了解决现有技术存在的问题，可以考虑利用大规模MIMO信道的稀疏性，通过1比特压缩感知量化反馈的方法来实现有效的信道反馈。通过利用冗余字典，来减小由于采用傅里叶变换矩阵带来的泄漏效应的影响，从而改善信道稀疏表示的稀疏性。利用贝叶斯推断的方法，避免对信道稀疏度信息的需求。通过将信道的压缩感知测量转化为实数形式，来实现1比特的量化。通过利用复数模型转化为实数模型后的结构化稀疏特性，改善贝叶斯推断方法的恢复效果。
如图1所示，本发明提供了一种FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法，包括：
S1、用户端接收基站发送的导频信号，并进行信道估计得到下行链路信道估计；并利用冗余字典，得到下行链路信道估计的稀疏表示；
S2、用户端采用1比特压缩感知方法对下行链路信道估计的稀疏表示进行1比特压缩测量，得到测量比特流，并反馈到基站端；
S3、基站端采用贝叶斯推断方法，利用用户端反馈的比特流进行信道信息恢复。
假设FDD大规模MIMO系统中的基站配备有N根均匀线形放置的天线，用户端配备有单根天线。基站向用户端发送导频信号
Figure BDA0002134459150000061
下行链路信道为
Figure BDA0002134459150000062
ρd为下行链路信噪比，Td为导频长度，
Figure BDA0002134459150000063
为接收端高斯白噪声，方差为σ2，则接收到的信号为
Figure BDA0002134459150000064
由于下行链路信道具有稀疏性，信道估计采用了冗余字典Dd，因此
Figure BDA0002134459150000065
其中
Figure BDA0002134459150000066
M为冗余字典的大小，且其每一列由阵列的导向矢量构成，具有
Figure BDA0002134459150000067
形式；
Figure BDA0002134459150000068
为下行链路信道的空域表示。因此，接收信号可以表示为
Figure BDA0002134459150000069
其中
Figure BDA00021344591500000610
因此，在步骤S1中，当Td≥N时，可以采用最小二乘法或者最小均方误差方法来进行求解；当Td≤N时，可以采用稀疏恢复的方法进行求解。从而得到下行链路信道在冗余字典Dd上的稀疏表示估计
Figure BDA00021344591500000611
在步骤S2中，用户端对下行链路信道的稀疏表示估计
Figure BDA00021344591500000612
进行压缩测量，得到y。设1比特压缩采用矩阵为
Figure BDA00021344591500000613
L为矩阵B的行数，B中的元素为复高斯随机变量，均值为0，方差为1/L，则有
Figure BDA00021344591500000614
用户端将压缩测量得到的复矢量y写成实数形式，然后进行1比特量化，并反馈传输到基站端。
采用sgn(.)函数对复矢量y进行量化的过程如下：
Figure BDA00021344591500000615
其中
Figure BDA00021344591500000616
sgn(.)为符号函数，对其中的每一个元素判断其是否大于0(元素值大于0，则函数输出为1；否则函数输出为0)。y为复值矢量，无法进行1比特量化。通过将y表示成由实部和虚部构成的实值矢量
Figure BDA0002134459150000071
然后对实值矢量
Figure BDA0002134459150000072
通过sgn(.)函数进行1比特量化得到长度为2L的比特流
Figure BDA0002134459150000073
需要注意的是，
Figure BDA0002134459150000074
是由
Figure BDA0002134459150000075
中元素的实部和虚部排列而构成的矢量，那么
Figure BDA0002134459150000076
具有结构化的稀疏性；也就是说
Figure BDA0002134459150000077
中的非零元素对应与
Figure BDA0002134459150000078
中的实部和虚部的位置也是非零的。在信道信息的稀疏恢复时将利用该特性。
在步骤S3中，基站端采用贝叶斯推断方法，利用用户端反馈的比特流
Figure BDA0002134459150000079
进行信道信息恢复。
假设
Figure BDA00021344591500000710
中的元素
Figure BDA00021344591500000711
满足高斯分布
Figure BDA00021344591500000712
Figure BDA00021344591500000713
为
Figure BDA00021344591500000714
中的元素，其中αi为高斯分布的精度，且αi满足伽马分布Gamma(αi|ai,bi)。由于sgn(.)为符号函数，不可微分，在计算后验概率
Figure BDA00021344591500000715
时不方便，采用逻辑函数(S形函数的一种)来近似sgn(.)函数得到后验概率
Figure BDA00021344591500000716
的近似表示；然后利用贝叶斯推断方法来得到
Figure BDA00021344591500000717
的估计值
Figure BDA00021344591500000718
步骤3a：初始化模型参数ai,bi,δi和αi。
步骤3b：计算
Figure BDA00021344591500000719
的均值μ和方差φ，和
Figure BDA00021344591500000720
的期望值如下：
Figure BDA00021344591500000721
Figure BDA00021344591500000722
Figure BDA00021344591500000723
其中φi,i和μi分别为φ和μ的第i个对角元素和第i个元素；
Figure BDA00021344591500000724
Figure BDA00021344591500000725
步骤3c：更新模型隐参数如下：
Figure BDA00021344591500000726
Figure BDA00021344591500000727
Figure BDA00021344591500000728
Figure BDA00021344591500000729
Figure BDA00021344591500000730
其中
Figure BDA00021344591500000731
为矩阵
Figure BDA00021344591500000732
的第i行矢量。
步骤3d：恢复估计信道的复数形式。
根据
Figure BDA0002134459150000081
和
Figure BDA0002134459150000082
恢复得到
Figure BDA0002134459150000083
然后，利用
Figure BDA0002134459150000084
恢复得到下行信道。
需要注意的是，在步骤3c的隐参数更新过程中，我们令
Figure BDA0002134459150000085
这是因为在步骤S2中我们将复模型转换为了实数模型，
Figure BDA0002134459150000086
具有结构化的稀疏性；也就是说
Figure BDA0002134459150000087
中的非零元素对应与
Figure BDA0002134459150000088
中的实部和虚部的位置也是非零的，所以我们假设
Figure BDA0002134459150000089
为了更好说明本发明的效果，若假设基站端配备有100根天线，用户端配备为单天线，有8个用户端的场景，信道的无线传输路径主要3条。将本方法与基于波达方向角的码本反馈方法(Shen W.,Dai L.,Gui G.,Wang Z.,Heath R.W.and Adachi F.,AoD-adaptivesubspace codebook for channel feedback in FDD massive MIMO systems,in 2017IEEE International Conference on Communications(ICC),Paris,2017,pp.1-5.)和基于信道相关统计特性的码本反馈方法(Sim M.S.,Park J.,Chae C.B.,&Jr R.W.H..(2015).Compressed channel feedback for correlated massive MIMOsystems.Journal of Communications and Networks,18(1),95-104.)进行了对比。图2中比较的参数是利用反馈的信道状态信息进行波束形成后，每个用户端的平均速率的情况；可以看出基于波达方向角的码本反馈方法对于角度信息要求较高，当角度信息采用量化传输后，该方法性能下降较大。考虑到实际应用场景，图2中给出了当量化比特开销为80时性能对比，可以看出本方法采用冗余字典具有更好的信道估计性能。
本领域的技术人员容易理解，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 (4)

1.一种FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法，其特征在于，包括以下步骤：
步骤1：用户端接收基站发送的导频信号，进行信道估计得到下行链路信道估计；并利用冗余字典，得到下行链路信道估计的稀疏表示；步骤1具体包括：
设FDD大规模MIMO系统中的基站配备有N根均匀线形放置的天线，用户端配备有单根天线，基站向用户端发送导频信号
Figure FDA0003574644680000011
下行链路信道为
Figure FDA0003574644680000012
ρd为下行链路信噪比，Td为导频长度，
Figure FDA0003574644680000013
为接收端高斯白噪声，方差为σ2，则接收到的信号为
Figure FDA0003574644680000014
由于下行链路信道具有稀疏性，信道估计采用了冗余字典Dd，因此
Figure FDA0003574644680000015
其中
Figure FDA0003574644680000016
M＞N，为冗余字典，每一列由阵列的导向矢量构成；
Figure FDA0003574644680000017
为下行链路信道的空域表示，因此，接收信号表示为
Figure FDA0003574644680000018
其中
Figure FDA0003574644680000019
从而得到下行链路信道在冗余字典Dd上的稀疏表示估计
Figure FDA00035746446800000110
步骤2：用户端采用1比特压缩感知方法对下行链路信道估计的稀疏表示
Figure FDA00035746446800000111
进行1比特压缩测量，得到测量比特流
Figure FDA00035746446800000112
并反馈到基站端；包括：
步骤2a:对下行链路信道的稀疏表示估计
Figure FDA00035746446800000113
进行压缩测量，得到y；
步骤2b:将压缩测量得到的复矢量y写成实数形式，然后进行1比特量化；
步骤3：基站端采用贝叶斯推断方法，利用用户端反馈的比特流
Figure FDA00035746446800000114
进行信道信息恢复，具体为：设
Figure FDA00035746446800000115
中的元素
Figure FDA00035746446800000116
满足高斯分布
Figure FDA00035746446800000117
Figure FDA00035746446800000118
为
Figure FDA0003574644680000021
中的元素，其中
Figure FDA0003574644680000022
αi为高斯分布的精度，且αi满足伽马分布Gamma(αi|ai,bi)，采用逻辑函数来近似sgn(.)函数得到后验概率
Figure FDA0003574644680000023
的近似表示；然后利用贝叶斯推断方法来得到
Figure FDA0003574644680000024
的估计值
Figure FDA0003574644680000025
所述步骤3具体包括：
步骤3a：初始化模型参数ai,bi,δi和αi；
步骤3b：计算
Figure FDA0003574644680000026
的均值μ和方差φ，和
Figure FDA0003574644680000027
的期望值如下：
Figure FDA0003574644680000028
Figure FDA0003574644680000029
Figure FDA00035746446800000210
其中φi,i和μi分别为φ和μ的第i个对角元素和第i个元素；
Figure FDA00035746446800000211
步骤3c：更新模型隐参数如下：
Figure FDA00035746446800000212
Figure FDA00035746446800000213
Figure FDA00035746446800000214
Figure FDA00035746446800000215
Figure FDA00035746446800000216
其中
Figure FDA00035746446800000217
为矩阵
Figure FDA00035746446800000218
的第i行矢量；L为测量矩阵B的行数；
步骤3d：恢复估计信道的复数形式；
根据
Figure FDA00035746446800000219
和
Figure FDA00035746446800000220
恢复得到
Figure FDA00035746446800000221
然后利用
Figure FDA00035746446800000222
恢复得到下行信道。
2.如权利要求1所述的FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法，其特征在于，所述步骤2a具体为：
记1比特压缩采用测量矩阵为
Figure FDA00035746446800000223
B中的元素为复高斯随机变量，均值为0，方差为1/L，则有
Figure FDA0003574644680000031
3.如权利要求1或2所述的FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法，其特征在于，所述步骤2b具体为：
采用sgn(.)函数对复矢量y进行量化的过程如下：
Figure FDA0003574644680000032
其中
Figure FDA0003574644680000033
sgn(.)为符号函数，对其中的每一个元素判断其是否大于0，如果元素值大于0，则函数输出为1；否则函数输出为0；y为复值矢量，无法进行1比特量化，通过将y表示成由实部和虚部构成的实值矢量
Figure FDA0003574644680000034
然后对实值矢量
Figure FDA0003574644680000035
通过sgn(.)函数进行1比特量化得到比特流
Figure FDA0003574644680000036
Re(.)表示求实部，Im(.)表示求虚部。
4.如权利要求1所述的FDD大规模MIMO系统中基于1比特压缩感知的信道反馈方法，其特征在于，当Td≥N时，采用最小二乘法或者最小均方误差方法来进行求解；当Td≤N时，采用稀疏恢复的方法进行求解。
CN201910648781.8A 2019-07-18 2019-07-18 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法 Active CN110289898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910648781.8A CN110289898B (zh) 2019-07-18 2019-07-18 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910648781.8A CN110289898B (zh) 2019-07-18 2019-07-18 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法

Publications (2)

Publication Number Publication Date
CN110289898A CN110289898A (zh) 2019-09-27
CN110289898B true CN110289898B (zh) 2022-05-06

Family

ID=68023271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910648781.8A Active CN110289898B (zh) 2019-07-18 2019-07-18 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法

Country Status (1)

Country Link
CN (1) CN110289898B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112202481A (zh) * 2020-06-24 2021-01-08 北京邮电大学 一种基于自适应感知矩阵的压缩感知信道估计算法及实现装置
CN112104579B (zh) * 2020-08-25 2021-11-19 西安交通大学 基于模型约束的信道估计方法、系统、设备及存储介质
CN112491826B (zh) * 2020-11-13 2022-03-11 重庆大学 大规模mimo系统下基于回传方式的psa检测方法
CN112671435B (zh) * 2020-12-22 2022-07-22 杭州电子科技大学 一种fdd大规模天线中基于字典迭代的信道估计方法
CN113098805B (zh) * 2021-04-01 2022-09-27 清华大学 基于二值化神经网络的高效mimo信道反馈方法及装置
CN113726376B (zh) * 2021-08-31 2022-05-20 西华大学 基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法
CN115001629B (zh) * 2022-04-29 2024-03-12 清华大学 信道量化反馈方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105245263A (zh) * 2015-10-10 2016-01-13 重庆大学 一种基于压缩感知的下行信道状态信息获取方法
KR101674319B1 (ko) * 2015-10-30 2016-11-09 인하대학교 산학협력단 Ofdm 시스템에서 측정벡터 결합을 이용하여 다중채널을 추정하는 방법 및 장치
CN106941463A (zh) * 2017-02-28 2017-07-11 北京交通大学 一种单比特量化mimo系统信道估计方法及系统
CN108199987A (zh) * 2017-12-21 2018-06-22 中国人民解放军空军预警学院 一种fdd大规模mimo系统中的下行链路信道估计方法
CN108737032A (zh) * 2018-05-22 2018-11-02 西华大学 一种压缩叠加序列csi反馈方法
CN109039403A (zh) * 2018-09-14 2018-12-18 中国人民解放军空军预警学院 大规模mimo系统中基于冗余字典的下行链路信道估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105245263A (zh) * 2015-10-10 2016-01-13 重庆大学 一种基于压缩感知的下行信道状态信息获取方法
KR101674319B1 (ko) * 2015-10-30 2016-11-09 인하대학교 산학협력단 Ofdm 시스템에서 측정벡터 결합을 이용하여 다중채널을 추정하는 방법 및 장치
CN106941463A (zh) * 2017-02-28 2017-07-11 北京交通大学 一种单比特量化mimo系统信道估计方法及系统
CN108199987A (zh) * 2017-12-21 2018-06-22 中国人民解放军空军预警学院 一种fdd大规模mimo系统中的下行链路信道估计方法
CN108737032A (zh) * 2018-05-22 2018-11-02 西华大学 一种压缩叠加序列csi反馈方法
CN109039403A (zh) * 2018-09-14 2018-12-18 中国人民解放军空军预警学院 大规模mimo系统中基于冗余字典的下行链路信道估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
OFDM系统群稀疏信道估计与译码迭代算法;李赛峰等;《数据采集与处理》;20181115(第06期);全文 *
基于压缩感知的FDD多用户大规模MIMO系统的信道估计;马汝奔等;《南京邮电大学学报(自然科学版)》;20181113(第05期);全文 *
基于稀疏贝叶斯学习的DOA估计;董天宝等;《火力与指挥控制》;20150315(第03期);全文 *

Also Published As

Publication number Publication date
CN110289898A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN110289898B (zh) 一种大规模mimo系统中基于1比特压缩感知的信道反馈方法
CN108390706B (zh) 一种基于深度学习的大规模mimo信道状态信息反馈方法
WO2020034394A1 (zh) 基于压缩感知的大规模mimo信道反馈重构算法
Lu et al. Bit-level optimized neural network for multi-antenna channel quantization
Liu et al. A Markovian model-driven deep learning framework for massive MIMO CSI feedback
CN111555781B (zh) 一种基于深度学习注意力机制的大规模mimo信道状态信息压缩及重建方法
CN105763234B (zh) 毫米波mimo时域有限信道状态信息反馈方法及装置
CN108736943B (zh) 一种适用于大规模mimo系统的混合预编码方法
JP5666581B2 (ja) Ｍｕ−ｍｉｍｏ通信システムの送信機のためのプリコーディング方法
CN115865145A (zh) 一种基于Transformer的大规模MIMO信道状态信息反馈方法
Lv et al. A channel state information feedback algorithm for massive MIMO systems
Zhao et al. Joint channel estimation and feedback for mm-Wave system using federated learning
Zhang et al. Application of compressive sensing to limited feedback strategy in large‐scale multiple‐input single‐output cellular networks
CN115053465A (zh) 一种信息传输方法及装置
Lu et al. Efficient feedback scheme based on compressed sensing in MIMO wireless networks
Lin et al. Learning linear MMSE precoder for uplink massive MIMO systems with one-bit ADCs
He et al. $\ell_\infty $ Minimization Based Symbol Detection for Generalized Space Shift Keying
WO2023246618A1 (zh) 信道矩阵处理方法、装置、终端及网络侧设备
CN112929304A (zh) 一种环境知识库辅助的无线信道获取方法
Zheng et al. Capacity analysis of MIMO systems using limited feedback transmit precoding schemes
Shen et al. MixerNet: Deep learning for eigenvector-based CSI feedback
US20220374500A1 (en) Finite resolution decomposition of a matrix and matrix-vector multiplication
CN114978818B (zh) 一种基于压缩感知的自适应信道估计方法及估计系统
US20240106498A1 (en) System and method for uplink coordinated transmission in an open radio access network
Guo et al. AI-enhanced codebook-based CSI feedback in FDD massive MIMO

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