CN110971546A - 一种大规模mimo系统信道跟踪方法 - Google Patents

一种大规模mimo系统信道跟踪方法 Download PDF

Info

Publication number
CN110971546A
CN110971546A CN201911099233.0A CN201911099233A CN110971546A CN 110971546 A CN110971546 A CN 110971546A CN 201911099233 A CN201911099233 A CN 201911099233A CN 110971546 A CN110971546 A CN 110971546A
Authority
CN
China
Prior art keywords
channel
tracking
tracked
time
moment
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.)
Granted
Application number
CN201911099233.0A
Other languages
English (en)
Other versions
CN110971546B (zh
Inventor
彭薇
李文刚
谢一梅
江涛
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911099233.0A priority Critical patent/CN110971546B/zh
Publication of CN110971546A publication Critical patent/CN110971546A/zh
Application granted granted Critical
Publication of CN110971546B publication Critical patent/CN110971546B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L25/0204—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
    • H04L25/0224—Channel estimation using sounding signals
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了一种大规模MIMO系统信道跟踪方法，构建了基于最优遗忘因子的信道跟踪模型的代价函数，遗忘因子是时变的，通过确定每一时刻遗忘因子的最优解，使得在每一时刻信道的跟踪误差最小，从而很好地适应了信道的随机变化，使得信道跟踪的准确度更高。与此同时，本发明所提出的方法根据信道参数中到达角和信道衰落系数的时变特性差异，将待跟踪信道参数进行分离处理，从而有效地减小了信道跟踪的复杂度，进而可以在满足计算复杂度较低的前提下准确地跟踪时变信道。

Description

一种大规模MIMO系统信道跟踪方法
技术领域
本发明属于大规模MIMO信号处理技术领域，更具体地，涉及一种大规模MIMO系统信道跟踪方法。
背景技术
大规模多输入多输出(multiple-input multiple-output，MIMO)技术具有许多潜在优势，例如实现了更高的频谱效率和更高的链路可靠性等，获取准确的信道状态信息是MIMO实现这些潜在优势的关键问题之一。在实际传输中，无线通信环境随着移动台和散射体的运动而在时间上改变，这导致信道状态信息成为时间变化的。尤其是当信道相干时间比导频传输时间短得多时，信道状态在信道估计期间仍在发生变化，跟踪信道变化将变得相当困难。此外，由于越来越多的天线被用于通信系统中，这也使得信道跟踪的复杂度大大提升。因此，为了获取更加准确实时的信道状态信息，对信道进行跟踪是十分有必要的。
现有的信道跟踪方法中，首选方法为递归最小二乘算法(Recursive leastsquares，RLS)，因为其具有较高的统计效率。而RLS算法中遗忘因子的选择对RLS算法的跟踪能力具有重要意义，传统RLS算法中的做法是采用固定遗忘因子，但是，固定遗忘因子的RLS算法无法适应随机信道的变化并限制了算法的跟踪能力，因此对于准确跟踪时变信道而言，固定遗忘因子对于RLS算法来说不是最优的选择。为了解决这个问题，一些研究提出了具有不等式约束的改进RLS算法，对约束条件进行了特定的假设设计，这种约束在实际系统中并不总是适用的，在实际系统中的跟踪效果较差，并且计算复杂度高。
综上所述，提出一个计算复杂度低、准确度高的大规模MIMO系统信道跟踪方法是亟待解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种大规模MIMO系统信道跟踪方法，用于解决现有技术由于采用非最优遗忘因子而导致的无法在满足计算复杂度较低的前提下准确跟踪时变信道的问题。
为实现上述目的，本发明提供了一种大规模MIMO系统信道跟踪方法，包括以下步骤：
S1、发送端发送初始导频；
S2、接收端根据接收到的初始导频，估计得到初始导频各时刻的导向矩阵和衰落系数向量；
S3、发送端发送跟踪导频；
S4、接收端构建了基于最优遗忘因子的信道跟踪模型的代价函数，将上一时刻的导向矩阵和衰落系数向量分别作为跟踪这两个信道参数的初始值，通过最小化上述代价函数，并基于上一时刻的待跟踪信道参数和当前时刻的输入矢量，分别迭代更新跟踪导频传输阶段中每一时刻的导向矩阵和衰落系数向量，直至跟踪导频发送完毕，其中，待跟踪信道参数包括衰落系数向量和导向矩阵，导向矩阵在后续步骤中保持不变，与跟踪导频最后时刻的导向矩阵相等；
S5、发送端发送用户数据；
S6、接收端基于上一时刻的衰落系数向量和当前时刻的输入矢量，继续迭代更新用户数据传输阶段中每一时刻的衰落系数向量，直至用户数据块发送完毕；
S7、重复步骤S3-S6进行迭代，直至所有数据块发送完毕。
进一步优选地，上述信道跟踪模型的代价函数为：
Figure BDA0002269307990000031
其中，λ(p)为第p时刻的遗忘因子，0＜λ[p]＜1，
Figure BDA0002269307990000032
为第j时刻的跟踪误差，y[j]为第j时刻接收端接收的符号，
Figure BDA0002269307990000033
为第j时刻跟踪得到的衰落系数向量，a[j]为第j时刻跟踪得到的导向矩阵的一行，表示第j时刻的多径信号到达某一根天线的相位变化向量，s[j]为第j时刻的发送符号。
进一步优选地，通过最小化信道跟踪模型的代价函数，基于上一时刻的待跟踪信道参数和当前时刻的输入矢量，更新每一时刻的待跟踪信道参数的方法，包括以下步骤：
S41、通过求解待跟踪信道参数的均方误差最小值，确定信道跟踪模型中最优遗忘因子的表达式；
S42、基于所得最优遗忘因子表达式，求解当前时刻的最优遗忘因子，并基于当前时刻的最优遗忘因子和输入矢量，计算信道跟踪模型中当前时刻的增益矩阵；
S43、根据所得增益矩阵和当前时刻接收到的符号，更新得到当前时刻的待跟踪信道参数；
S44、重复步骤S42-S43进行迭代，得到每一时刻的待跟踪信道参数。
进一步优选地，确定信道跟踪模型中最优遗忘因子表达式的方法，包括以下步骤：
S411、最小化各径中信道跟踪模型的代价函数，得到最优待跟踪信道参数的表达式；
S412、对所得最优待跟踪信道参数表达式进行一阶泰勒展开，计算得到该待跟踪信道参数的均方误差表达式；
S413、基于所得待跟踪信道参数的均方误差表达式，采用拉格朗日乘子法求解使得该待跟踪信道参数均方误差最小时的遗忘因子，即为最优遗忘因子表达式。
进一步优选地，第n时刻的最优遗忘因子表达式为：
Figure BDA0002269307990000041
其中，
Figure BDA0002269307990000042
Figure BDA0002269307990000043
为n时刻已知等效噪声的方差，
Figure BDA0002269307990000044
为待跟踪信道参数的一阶导数经过近似处理后的部分，
Figure BDA0002269307990000045
Rbb[n]为第n时刻输入矢量的自相关矩阵。
进一步优选地，跟踪导频传输阶段和用户数据传输阶段的输入矢量的获取方法不同；
在跟踪导频传输阶段，发送符号已知，根据当前时刻的接收符号和已知发送导频符号，估计得到当前时刻的衰落系数向量和导向矩阵，然后基于估计所得的衰落系数向量和导向矩阵，计算得到当前时刻待跟踪信道参数的输入矢量；
在用户数据传输阶段，发送符号未知，根据当前时刻的接收信号和上一时刻跟踪所得的衰落系数向量，进行符号检测，得到虚拟导频，导向矩阵在用户数据传输阶段保持不变，与跟踪导频传输阶段最后时刻所得的导向矩阵相等，基于导向矩阵和所得虚拟导频，计算得到当前时刻待跟踪信道参数的输入矢量。从而无需在发送端不停的发送导频信号，使得本发明显著降低了导频开销，提升了系统的频谱利用率。
进一步优选地，当待跟踪信道参数不同时，输入矢量的表示也不同；
当待跟踪信道参数为衰落系数向量时，输入矢量b[n]＝aT[n]s[n]，其中a[n]为第n时刻导向矩阵的一行，表示第n时刻的多径上的信号到达某一根天线的相位变化向量，s[n]为第n时刻的发送符号；
当待跟踪信道参数为导向矩阵时，输入矢量b[n]＝fT[n]s[n]，其中f[n]为第n时刻的衰落系数向量，s[n]为第n时刻的发送符号。
进一步优选地，跟踪导频各时刻上的导向矩阵和衰落系数向量的过程是同时进行的，两个过程互相依赖，同时获取跟踪导频各时刻的导向矩阵和衰落系数向量。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提出了一种大规模MIMO系统信道跟踪方法，构建了基于最优遗忘因子的信道跟踪模型的代价函数，遗忘因子是时变的，通过确定每一时刻遗忘因子的最优解，使得在每一时刻信道的跟踪误差最小，从而很好地适应了信道的随机变化，使得信道跟踪的准确度更高。与此同时，本发明所提出的方法根据信道参数中到达角和信道衰落系数的时变特性差异，将待跟踪信道参数进行分离处理，从而有效地减小了信道跟踪的复杂度，进而可以在满足计算复杂度较低的前提下准确地跟踪时变信道。
2、本发明所提出的大规模MIMO系统信道跟踪方法，在用户数据传输阶段通过符号检测结果辅助信道预测，将符号检测的结果作为虚拟导频，用于后续时刻的信道跟踪，无需在发送端不停的发送导频信号，使得本发明显著降低了导频开销，提升了系统的频谱利用率。
3、本发明所提出的大规模MIMO系统信道跟踪方法，将数据块设计成三段，首先发送初始导频，接着发送跟踪导频，最后发送用户数据。其中，传输初始导频是为了获得待跟踪信道参数的初始值，由于信道跟踪算法需要一定的迭代次数才收敛，跟踪导频段保证了采用本发明所提出的方法进行信道跟踪能够在有限次迭代后收敛，跟踪算法收敛之后，可以更准确地跟踪数据传输阶段的衰落系数向量。
附图说明
图1是本发明所提供的一种大规模MIMO系统信道跟踪方法流程图；
图2是本发明实施例所提供的发送序列的传输示意图；
图3是分别采用本发明所提出的跟踪方法、传统RLS算法和改进RLS算法对大规模MIMO系统信道进行跟踪，所得跟踪误差的曲线对比图；
图4是本发明所提出的方法的稳态误差与信噪比的关系曲线与传统RLS算法以及改进RLS算法的稳态误差与信噪比的关系曲线对比图。
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。
为实现上述目的，本发明提供了一种大规模MIMO系统信道跟踪方法，如图1所示，包括以下步骤：
S1、发送端发送初始导频；
S2、接收端根据接收到的初始导频，估计得到初始导频各时刻的导向矩阵和衰落系数向量；
S3、发送端发送跟踪导频；
S4、接收端构建了基于最优遗忘因子的信道跟踪模型的代价函数，将上一时刻的导向矩阵和衰落系数向量分别作为跟踪这两个信道参数的初始值，通过最小化上述代价函数，并基于上一时刻的待跟踪信道参数和当前时刻的输入矢量，分别迭代更新跟踪导频传输阶段中每一时刻的导向矩阵和衰落系数向量，直至跟踪导频发送完毕，其中，待跟踪信道参数包括衰落系数向量和导向矩阵，导向矩阵在后续步骤中保持不变，与跟踪导频最后时刻的导向矩阵相等；
具体的，上述信道跟踪模型的代价函数为：
Figure BDA0002269307990000061
其中，λ(p)为第p时刻的遗忘因子，0＜λ[p]＜1，
Figure BDA0002269307990000071
为第j时刻的跟踪误差，y[j]为第j时刻接收端接收的符号，
Figure BDA0002269307990000072
为第j时刻跟踪得到的衰落系数向量，a[j]为第j时刻跟踪得到的导向矩阵的一行，表示第j时刻的多径信号到达某一根天线的相位变化向量，s[j]为第j时刻的发送符号。
具体的，通过最小化信道跟踪模型的代价函数，并基于上一时刻的待跟踪信道参数和当前时刻的输入矢量，更新每一时刻的待跟踪信道参数的方法，包括以下步骤：
S41、通过求解待跟踪信道参数的均方误差最小值，确定信道跟踪模型中最优遗忘因子的表达式；
具体的，确定信道跟踪模型中最优遗忘因子表达式的方法，包括以下步骤：
S411、最小化信道跟踪模型的代价函数，得到最优待跟踪信道参数的表达式；
S412、对所得最优待跟踪信道参数表达式进行一阶泰勒展开，计算得到该待跟踪信道参数的均方误差表达式；
S413、基于所得待跟踪信道参数的均方误差表达式，采用拉格朗日乘子法求解使得该待跟踪信道参数均方误差最小时的遗忘因子，即为最优遗忘因子表达式。
具体的，第n时刻的最优遗忘因子表达式为：
Figure BDA0002269307990000073
其中，
Figure BDA0002269307990000074
Figure BDA0002269307990000075
为n时刻已知等效噪声的方差，
Figure BDA0002269307990000076
为待跟踪信道参数的一阶导数经过近似处理后的部分，
Figure BDA0002269307990000077
Rbb[n]为第n时刻输入矢量的自相关矩阵。
具体的，上述过程中输入矢量通过以下方法获取：在跟踪导频传输阶段，发送符号已知，根据当前时刻的接收符号和已知发送导频符号，采用因子分析法粗估计得到当前时刻的衰落系数向量和导向矩阵，然后基于估计所得的衰落系数向量和导向矩阵，计算得到当前时刻待跟踪信道参数的输入矢量；
S42、基于所得最优遗忘因子表达式，求解当前时刻的最优遗忘因子，并基于当前时刻的最优遗忘因子和输入矢量，计算信道跟踪模型中当前时刻的增益矩阵；
具体的，增益矩阵为：
Figure BDA0002269307990000081
其中，P[n]＝λ-1[n](P[n-1]-k[n]bT[n]P[n-1])为逆自相关矩阵，b[n]为输入矢量，a[n]为第n时刻多径信号到达某一根天线的相位变化向量，为第n时刻导向矩阵的一行，s[n]为第n时刻的发送符号，λopt[n]为第n时刻的最优遗忘因子。
进一步的，当待跟踪信道参数不同时，输入矢量的表示也不同；
当待跟踪信道参数为衰落系数向量时，第n时刻的输入矢量b[n]＝aT[n]s[n]，其中a[n]为第n时刻导向矩阵的一行，表示第n时刻的多径上的信号到达某一根天线的相位变化向量，s[n]为第n时刻的发送符号；
当待跟踪信道参数为导向矩阵时，第n时刻的输入矢量b[n]＝fT[n]s[n]，其中f[n]为第n时刻的衰落系数向量，s[n]为第n时刻的发送符号。
S43、根据所得增益矩阵和当前时刻接收到的符号，更新得到当前时刻的待跟踪信道参数；
具体的，以衰落系数向量为例，根据所得增益矩阵和当前时刻接收到的符号，将衰落系数向量更新为：
Figure BDA0002269307990000082
其中，
Figure BDA0002269307990000091
为上一时刻的跟踪所得的衰落系数向量，k[n]为所得当前时刻的增益矩阵，y[n]为当前时刻接收到的符号，输入矢量b[n]＝aT[n]s[n]，其中a[n]为当前时刻导向矩阵的一行，表示当前时刻各径上的信号到达某一根天线的相位变化向量，s[n]为当前时刻的发送符号。
S44、重复步骤S42-S43进行迭代，得到每一时刻的待跟踪信道参数。
需要说明的是，跟踪导频各时刻上的导向矩阵和衰落系数向量的过程是同时进行的，两个过程互相依赖，同时获取跟踪导频各时刻的导向矩阵和衰落系数向量。
S5、发送端发送用户数据；
S6、接收端基于上一时刻的衰落系数向量和当前时刻的输入矢量，继续迭代更新用户数据传输阶段中每一时刻的衰落系数向量，直至用户数据块发送完毕；
具体的，采用与步骤S4相同的方法跟踪得到传输用户数据阶段每时刻的衰落系数向量，由于数据传输阶段各时刻的发送符号(即上述的s[n])是未知的，导致获取输入矢量的方法与跟踪导频传输阶段不同，具体的，将n-1时刻跟踪得的衰落系数向量和导向矩阵进行重构，得到n-1时刻的信道状态信息h[n-1]＝A[n-1]f[n-1]，基于此对n时刻的接收符号y[n]进行符号检测，本实施例中进行符号检测的方法为迫零检测，将符号检测结果作为虚拟导频符号s[n]，其中，导向矩阵在数据传输阶段保持不变，等于跟踪导频传输阶段最后时刻所得的导向矩阵，基于导向矩阵和所得当前时刻的发送符号，计算得到当前时刻待跟踪信道参数的输入矢量b[n]＝aT[n]s[n]；在上述过程中无需在发送端不停的发送导频信号，使得本发明显著降低了导频开销，提升了系统的频谱利用率。
S7、重复步骤S3-S6进行迭代，直至所有数据发送完毕。
在上述过程中，发送端分为三个阶段发送数据，分别为初始导频传输阶段、跟踪导频传输阶段和用户数据传输阶段，其中，初始导频传输阶段用于获得待跟踪信道参数的初始值，跟踪导频传输阶段保证了采用本发明所提出的方法进行信道跟踪能够在有限次迭代后收敛，跟踪算法收敛之后，可以更准确地跟踪数据传输阶段的衰落系数向量。具体的，如图2所示为本发明实施例所提供的发送序列传输示意图。
下面分别采用本发明所提出的跟踪方法、传统RLS算法和改进RLS算法对大规模MIMO系统信道进行跟踪，所得跟踪误差曲线对比图如图3所示，其中横坐标表示迭代次数，纵坐标表示均方误差。从图3可以看出，随着迭代次数的增加，三种跟踪算法的跟踪误差逐渐减小；当达到相同跟踪误差时，本发明所提供的跟踪方法需要的迭代次数最少。由此可见，本发明所提供的方法的收敛速度比改进RLS算法快和传统RLS算法快，从而具有更低的计算复杂度。更进一步的，如图4所示是本发明所提出的方法的稳态误差与信噪比的关系曲线与传统RLS算法以及改进RLS算法的稳态误差与信噪比的关系曲线对比图，其中，横坐标表示信噪比，纵坐标表示均方误差。从图4可以看出，随着信噪比的增加，图中三种跟踪方法的稳态误差逐渐减小，并且本发明所提出的方法的稳态误差一直低于传统RLS算法和改进RLS算法快，本发明所提供的大规模MIMO系统信道跟踪方法的准确度更高。
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 (8)

1.一种大规模MIMO系统信道跟踪方法，其特征在于，包括以下步骤：
S1、发送端发送初始导频；
S2、接收端根据接收到的初始导频，估计得到初始导频各时刻的导向矩阵和衰落系数向量；
S3、发送端发送跟踪导频；
S4、接收端构建基于最优遗忘因子的信道跟踪模型的代价函数，将上一时刻的导向矩阵和衰落系数向量分别作为跟踪这两个信道参数的初始值，通过最小化所述代价函数，并基于上一时刻的待跟踪信道参数和当前时刻的输入矢量，分别迭代更新跟踪导频传输阶段中每一时刻的导向矩阵和衰落系数向量，直至跟踪导频发送完毕，其中，待跟踪信道参数包括衰落系数向量和导向矩阵，导向矩阵在后续步骤中保持不变，与跟踪导频最后时刻的导向矩阵相等；
S5、发送端发送用户数据；
S6、接收端基于上一时刻的衰落系数向量和当前时刻的输入矢量，继续迭代更新用户数据传输阶段中每一时刻的衰落系数向量，直至用户当前数据块发送完毕；
S7、重复步骤S3-S6进行迭代，直至所有数据块发送完毕。
2.根据权利要求1所述的大规模MIMO系统信道跟踪方法，其特征在于，所述信道跟踪模型的代价函数为：
Figure FDA0002269307980000011
其中，λ(p)为第p时刻的遗忘因子，0＜λ[p]＜1，
Figure FDA0002269307980000012
为第j时刻的跟踪误差，y[j]为第j时刻接收端接收的符号，
Figure FDA0002269307980000013
为第j时刻跟踪得到的衰落系数向量，
Figure FDA0002269307980000014
为第j时刻跟踪得到的导向矩阵的一行，表示第j时刻的多径信号到达某一根天线的相位变化向量，s[j]为第j时刻的发送符号。
3.根据权利要求1所述的大规模MIMO系统信道跟踪方法，其特征在于，通过最小化所述信道跟踪模型的代价函数，并基于上一时刻的待跟踪信道参数和当前时刻的输入矢量，更新每一时刻的待跟踪信道参数的方法，包括以下步骤：
S41、通过求解待跟踪信道参数的均方误差最小值，确定信道跟踪模型中最优遗忘因子的表达式；
S42、基于所得最优遗忘因子表达式，求解当前时刻的最优遗忘因子，并基于当前时刻的最优遗忘因子和输入矢量，计算所述跟踪模型中当前时刻的增益矩阵；
S43、根据所得增益矩阵和当前时刻接收到的符号，更新得到当前时刻的待跟踪信道参数；
S44、重复步骤S42-S43进行迭代，得到每一时刻的待跟踪信道参数。
4.根据权利要求3所述的大规模MIMO系统信道跟踪方法，其特征在于，确定信道跟踪模型中最优遗忘因子表达式的方法，包括以下步骤：
S411、最小化所述信道跟踪模型的代价函数，得到最优待跟踪信道参数的表达式；
S412、对所得最优待跟踪信道参数表达式进行一阶泰勒展开，计算得到该待跟踪信道参数的均方误差表达式；
S413、基于所得待跟踪信道参数的均方误差表达式，采用拉格朗日乘子法求解使得该待跟踪信道参数均方误差最小时的遗忘因子，即为最优遗忘因子表达式。
5.根据权利要求4所述的大规模MIMO系统信道跟踪方法，其特征在于，第n时刻的最优遗忘因子表达式为：
Figure FDA0002269307980000031
其中，
Figure FDA0002269307980000032
Figure FDA0002269307980000033
为n时刻已知等效噪声的方差，
Figure FDA0002269307980000034
为待跟踪信道参数的一阶导数经过近似处理后的部分，
Figure FDA0002269307980000035
Rbb[n]为第n时刻输入矢量的自相关矩阵。
6.根据权利要求1所述的大规模MIMO系统信道跟踪方法，其特征在于，跟踪导频传输阶段和用户数据传输阶段的所述输入矢量的获取方法不同；
在跟踪导频传输阶段，发送符号已知，根据当前时刻的接收符号和已知发送导频符号，估计得到当前时刻的衰落系数向量和导向矩阵，然后基于估计所得的衰落系数向量和导向矩阵，计算得到当前时刻待跟踪信道参数的输入矢量；
在用户数据传输阶段，发送符号未知，根据当前时刻的接收信号和上一时刻跟踪所得的衰落系数向量，进行符号检测，得到虚拟导频，导向矩阵在用户数据传输阶段保持不变，与跟踪导频传输阶段最后时刻所得的导向矩阵相等，基于导向矩阵和所得虚拟导频，计算得到当前时刻待跟踪信道参数的输入矢量。
7.根据权利要求1或3或6所述的大规模MIMO系统信道跟踪方法，其特征在于，当待跟踪信道参数不同时，输入矢量的表示也不同；
当待跟踪信道参数为衰落系数向量时，输入矢量b[n]＝aT[n]s[n]，其中a[n]为第n时刻导向矩阵的一行，表示第n时刻的多径上的信号到达某一根天线的相位变化向量，s[n]为第n时刻的发送符号；
当待跟踪信道参数为导向矩阵时，输入矢量b[n]＝fT[n]s[n]，其中f[n]为第n时刻的衰落系数向量，s[n]为第n时刻的发送符号。
8.根据权利要求1所述的大规模MIMO系统信道跟踪方法，其特征在于，跟踪导频各时刻上的导向矩阵和衰落系数向量的过程是同时进行的，两个过程互相依赖，同时获取跟踪导频各时刻的导向矩阵和衰落系数向量。
CN201911099233.0A 2019-11-12 2019-11-12 一种大规模mimo系统信道跟踪方法 Active CN110971546B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911099233.0A CN110971546B (zh) 2019-11-12 2019-11-12 一种大规模mimo系统信道跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911099233.0A CN110971546B (zh) 2019-11-12 2019-11-12 一种大规模mimo系统信道跟踪方法

Publications (2)

Publication Number Publication Date
CN110971546A true CN110971546A (zh) 2020-04-07
CN110971546B CN110971546B (zh) 2021-03-26

Family

ID=70030443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911099233.0A Active CN110971546B (zh) 2019-11-12 2019-11-12 一种大规模mimo系统信道跟踪方法

Country Status (1)

Country Link
CN (1) CN110971546B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707687A (zh) * 2023-06-27 2023-09-05 南京盛航海运股份有限公司 一种去蜂窝大规模mimo系统的信道预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070286312A1 (en) * 2006-06-01 2007-12-13 Nokia Corporation Apparatus, method and computer program product providing iterative recursive least squares (RLS) algorithm for coded MIMO systems
CN102571140A (zh) * 2012-02-24 2012-07-11 长安大学 一种基于交织差分最小均方误差准则的多用户检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070286312A1 (en) * 2006-06-01 2007-12-13 Nokia Corporation Apparatus, method and computer program product providing iterative recursive least squares (RLS) algorithm for coded MIMO systems
CN102571140A (zh) * 2012-02-24 2012-07-11 长安大学 一种基于交织差分最小均方误差准则的多用户检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI PENG: ""Downlink Channel Prediction for Time-Varying FDD Massive MIMO Systems"", 《IEEE》 *
Y. J. CHU: ""A New Local Polynomial Modeling-Based Variable Forgetting Factor RLS Algorithm and Its Acoustic Applications"", 《A NEW LOCAL POLYNOMIAL MODELING-BASED VARIABLE FORGETTING FACTOR RLS ALGORITHM AND ITS ACOUSTIC APPLICATIONS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707687A (zh) * 2023-06-27 2023-09-05 南京盛航海运股份有限公司 一种去蜂窝大规模mimo系统的信道预测方法
CN116707687B (zh) * 2023-06-27 2024-05-10 南京盛航海运股份有限公司 一种去蜂窝大规模mimo系统的信道预测方法

Also Published As

Publication number Publication date
CN110971546B (zh) 2021-03-26

Similar Documents

Publication Publication Date Title
US8451930B2 (en) Sparse channel estimation using order extension for frequency and time selective MIMO wireless communication networks
CN113381952B (zh) 基于深度学习的多天线系统信道估计方法
JPH0795107A (ja) 適応型最尤系列推定装置
CN113595666B (zh) 大规模mimo系统基于时频联合相关性的信道预测方法和系统
CN110430147B (zh) 一种面向fdd系统的信道跟踪方法
CN114070354B (zh) 基于gs迭代法的自适应分段矩阵逆跟踪mimo检测方法
CN110971546B (zh) 一种大规模mimo系统信道跟踪方法
CN114726412B (zh) 信道信息获取方法、装置及相关设备
CN114142905A (zh) 时变信道下基于牛顿迭代法的mimo检测算法的改进方法
CN109818891B (zh) 一种格基约减辅助的低复杂度贪心球形译码检测方法
CN113114423B (zh) 一种自适应球形译码检测方法
CN107888537B (zh) 一种在大规模天线系统中改善系统复杂度的信号检测方法
CN108282200B (zh) 一种大规模mimo系统中基于因子图的置信度传播信号检测方法
CN109842581B (zh) 基于三级阈值变步长自适应压缩感知技术的信道估计方法
CN115173899B (zh) 基于Richardson迭代法的自适应分段矩阵逆跟踪MIMO检测方法
CN111786703B (zh) 大规模mimo的自适应双阈值下行信道估计方法
CN115149988A (zh) 基于sor迭代法的自适应分段矩阵逆跟踪mimo检测方法
CN115395991B (zh) 一种非线性多输入多输出信道估计方法和估计系统
Xu et al. Analysis of Distributed Synthesis Algorithm based on Simple and Sumple Algorithm
CN108449120B (zh) 一种基于差分度量低复杂度qam-mimo检测方法
CN114338324B (zh) 一种基于rbf神经网络的多普勒频偏估计方法和系统
Shuai et al. Co-frequency signal interference detection based on multiple antennas and multiple channels
CN110912643B (zh) 一种基于机器学习的amp检测改进方法
CN116094562A (zh) mMIMO系统的信号检测方法、装置及电子设备
CN113938367A (zh) 利用相位差逐次逼近的sc-fde系统频偏估计方法

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