CN111654456A - 基于降维分解的毫米波大规模mimo角域信道估计方法及装置 - Google Patents

基于降维分解的毫米波大规模mimo角域信道估计方法及装置 Download PDF

Info

Publication number
CN111654456A
CN111654456A CN202010519889.XA CN202010519889A CN111654456A CN 111654456 A CN111654456 A CN 111654456A CN 202010519889 A CN202010519889 A CN 202010519889A CN 111654456 A CN111654456 A CN 111654456A
Authority
CN
China
Prior art keywords
millimeter wave
angle
matrix
angular domain
model
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
CN202010519889.XA
Other languages
English (en)
Other versions
CN111654456B (zh
Inventor
刘洋
戴蓉
余雨
李正权
梁金鹏
郭欣
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202010519889.XA priority Critical patent/CN111654456B/zh
Publication of CN111654456A publication Critical patent/CN111654456A/zh
Application granted granted Critical
Publication of CN111654456B publication Critical patent/CN111654456B/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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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
    • 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
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting

Landscapes

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

Abstract

本发明涉及一种基于降维分解的毫米波大规模MIMO角域信道估计方法及装置,包括：建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型；将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。本发明在降低算法复杂度的同时提高了估计的精度。

Description

基于降维分解的毫米波大规模MIMO角域信道估计方法及装置
技术领域
本发明涉及无线通信的技术领域，尤其是指一种基于降维分解的毫米波大规模MIMO角域信道估计方法及装置。
背景技术
随着移动通信技术的快速发展，人们对于大连接、高宽带场景的通信需求越来越高，毫米波和大规模MIMO技术(其中MIMO技术是指能在不增加带宽的情况下，成倍地提高通信系统的容量和频谱利用率)的结合成了必然趋势。
在毫米波大规模MIMO系统中，信道状态信息是实现多天线无线通信系统容量的关键。毫米波大规模MIMO由于较短的波长引起较高的路径损耗，导致空间有效散射体的数目减少，因此毫米波信道具有稀疏特性。毫米波大规模MIMO信道的稀疏散射特性导致多径效应不明显，视距成分占主导地位,其主要体现在信道矩阵中，由于环境因素的影响，受到遮挡和散射会急剧降低毫米波的能量，在信道矩阵中这些急剧降低的部分趋近于零，只有视距信道和零散的几条信道会有较好的能量体现，在信道矩阵中的值比较大。利用毫米波信道的稀疏特性，虽然可以利用传统的压缩感知工具恢复出稀疏矢量，得到一个支持集，但现有大多利用角度域网格划分，与实际中角度是连续取值情况不符，所以存在较大的重构误差。为了提升估计的精度，大多数传统的估计方法都是通过使用密集采样网格来解决此问题的，这导致了较高的计算复杂性，并且估计的角度仍然受限于网格。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中量化误差大以及传统信道估计算法复杂的问题，从而提供一种量化误差小且算法简单的基于降维分解的毫米波大规模MIMO角域信道估计方法及装置。
为解决上述技术问题，本发明的一种基于降维分解的毫米波大规模MIMO角域信道估计方法，包括：建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端；将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。
在本发明的一个实施例中，所述毫米波大规模MIMO系统包括基带数字预编码、与所述基带数字预编码相连的模拟预编码、与所述模拟预编码相连的基带合并。
在本发明的一个实施例中，所述基带数字预编码通过RF链与所述模拟预编码相连，所述模拟预编码通过RF链与所述基带合并相连。
在本发明的一个实施例中，所述三维信道矩阵的模型如下：
Figure BDA0002531630280000021
其中Nt、Nr分别是发送端和接收端的天线数，L是路径总数，μl是第l条路径增益，Ar(αr,βr)代表接收端天线矩阵，At(αt,βt)表示发射端天线矩阵。
在本发明的一个实施例中，将所述系统模型转换成二维模型的方法为：通过降维分解使所述系统模型中的接收端的接收角和发送端的发射角分离，获得信号的二维角域模型。
在本发明的一个实施例中，所述降维分解的步骤为：在所述系统模型的指定侧乘上XH构造低维矩阵，其中系统模型表示为Y＝WHHFX+WHN，其中F＝FBBFRF，W＝WBBWRF，X为发送信号，
Figure BDA0002531630280000033
且
Figure BDA0002531630280000031
Figure BDA0002531630280000032
N为服从(0,σn 2)分布的高斯噪声。
在本发明的一个实施例中，对所述二维角域模型进行奇异值分解时，根据指定的奇异矩阵最大的列构成信号子空间，并计算信号子空间和噪声子空间的正交投影矩阵，确定信号子空间和正交投影矩阵之间的关系。
在本发明的一个实施例中，所述离网误差的优化公式中，还包括泰勒公式。
在本发明的一个实施例中，所述估计路径增益矩阵的方法为：根据重新构造的阵列流型矩阵采用LSE(全称least squares estimation：最小二乘估计)算法估计出路径增益矩阵。
本发明还提供了一种基于降维分解的毫米波大规模MIMO角域信道估计方法及装置，包括：建模模块，用于建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端；转换分解模块，用于将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；计算模块，用于利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；估计模块，用于根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的基于降维分解的毫米波大规模MIMO角域信道估计方法及装置，在很大程度上能够降低毫米波大规模MIMO系统中硬件成本和训练开销；另外，为了简化分析，本发明将三维模型转换为二维模型，经过多次迭代，网格点将接近真实的AOAs、AODs，降低算法复杂度的同时也提高估计的精度。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1是本发明基于降维分解的毫米波大规模MIMO角域信道估计方法的流程图；
图2是本发明毫米波大规模MIMO系统的示意图；
图3是本发明不同信噪比下不同信道估计方法中的信道矩阵归一化均方误差对比图；
图4是本发明不同信噪比下不同信道估计方法的平均频谱效率对比图。
具体实施方式
实施例一
如图1所示，本实施例提供一种基于降维分解的毫米波大规模MIMO角域信道估计方法，包括：步骤S1：建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端；步骤S2：将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；步骤S3：利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；步骤S4：根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。
本实施例所述基于降维分解的毫米波大规模MIMO角域信道估计方法，所述步骤S1中，建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端，从而有利于降低毫米波大规模MIMO系统中硬件成本和训练开销；所述步骤S2中，为了简化分析，将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；所述步骤S3中，利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角(简称AOAs)和发送端的发射角(AODs)分布在多点均匀网格上，求出初始支撑集，从而可以得到初试的俯仰角度，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值，经过多次迭代，网格点将接近真实的AOAs、AODs，；所述步骤S4中，根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵，不仅算法简单，量化误差小，而且在降低复杂度的同时也提高估计的精度。
所述步骤S1中，如图2所示，所述毫米波大规模MIMO系统包括基带数字预编码、与所述基带数字预编码相连的模拟预编码、与所述模拟预编码相连的基带合并。所述基带数字预编码通过RF链与所述模拟预编码相连，所述模拟预编码通过RF链与所述基带合并相连。
根据毫米波大规模MIMO系统结构特点，在接收端采用混合预编码结构，需要用模拟预编码器和数字预编码器估计训练波束。以基站端为例，Ns表示数据流的数量，Ns条数据流经由基带端数字预编码器FBB产生NRF个输出，其输出再通过射频端模拟预编码器FRF映射到NBS根天线上，在用户端采用与基站端相似的混合预编码结构来处理接收到的信号。系统模型可以表示成Y＝WHHFX+WHN，其中F＝FBBFRF，W＝WBBWRF，X为发送信号，
Figure BDA0002531630280000051
且
Figure BDA0002531630280000052
N为服从(0,σn 2)分布的高斯噪声。
根据毫米波信道的特点，采用3D Saleh-Valenzuela(简称SV)信道矩阵模型,所述三维信道矩阵的模型如下：
Figure BDA0002531630280000053
其中Nt、Nr分别是发送端和接收端的天线数，L是路径总数，μl是第l条路径增益，Ar(αr,βr)代表接收端天线矩阵，At(αt,βt)表示发射端天线矩阵。
本发明采用均匀面阵(UPA)，则天线导向矢量为：
Figure BDA0002531630280000061
Figure BDA0002531630280000062
Figure BDA0002531630280000063
Figure BDA0002531630280000064
其中d为天线间距，λ为波长，
Figure BDA0002531630280000065
假设发送端天线阵列x轴有N个阵源，y轴有M个阵源，则x轴、y轴对应的方向矩阵为
Figure BDA0002531630280000066
根据方向矩阵得到发送端、接收端的天线阵列矩阵At(αt,βt)和Ar(αr,βr)，以发送端为例，
Figure BDA0002531630280000067
其中
Figure BDA0002531630280000068
分别表示第l条路径的用户端到达角AOAs和基站端发送角AODs的水平和俯仰角，Di(X)是X的i行对角化构成的矩阵。
所述步骤S2中，将所述系统模型转换成二维模型的方法为：通过降维分解使所述系统模型中的接收端的接收角和发送端的发射角分离，获得信号的二维角域模型。
所述降维分解的步骤为：在所述系统模型的指定侧乘上XH构造低维矩阵，其中系统模型表示为Y＝WHHFX+WHN，其中F＝FBBFRF，W＝WBBWRF，X为发送信号，
Figure BDA0002531630280000069
且
Figure BDA00025316302800000610
N为服从(0,σn 2)分布的高斯噪声。具体地，在系统模型右侧乘上XH构造低维矩阵
Figure BDA00025316302800000611
Figure BDA00025316302800000612
其中，
Figure BDA00025316302800000613
则系统模型可以重新表示为：
Figure BDA00025316302800000614
这样就可以将三维模型转换成二维模型，从而得到AOAs和AODs二维信号模型的数学表达式：
Figure BDA0002531630280000071
Figure BDA0002531630280000072
其中，
Figure BDA0002531630280000073
分别是噪声，s＝vecd(diag(μ1,...,μl))，vecd(U)是由U的对角线元素组成的矢量。
对所述二维角域模型进行奇异值分解时，根据指定的奇异矩阵最大的列构成信号子空间，并计算信号子空间和噪声子空间的正交投影矩阵，确定信号子空间和正交投影矩阵之间的关系。具体地，分别将得到的二维模型进行奇异值分解，取右奇异矩阵最大的L列构成Ar和At的信号子空间Αsv、Bsv，并计算正交投影矩阵
Figure BDA0002531630280000074
信号子空间和正交投影矩阵之间的关系为：
Rnr＝I-Αsv(Αsv HΑsv)-1Αsv H
Rnt＝I-Bsv(Bsv HBsv)-1Bsv H
所述步骤S3中，利用毫米波大规模MIMO信道的角度域稀疏性，将AOAs/AODs分布在G点均匀网格上，且满足G≥L。求出初始支撑集后得到离真实值最近的水平和俯仰角度可以用
Figure BDA0002531630280000075
表示，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值。
具体地，所述离网误差的优化公式中，还包括泰勒公式。以接收端为例，则泰勒公式的展开式为
Figure BDA0002531630280000076
Figure BDA0002531630280000077
Figure BDA0002531630280000078
通过信号子空间和噪声子空间的正交性，计算离网误差公式。
Figure BDA0002531630280000081
其中，
Figure BDA0002531630280000082
分别表示真实角度和网格化角度的差值，将离网误差公式以多项式的形式展开，分别计算每个系数得到离网误差的优化公式
Figure BDA0002531630280000083
Figure BDA0002531630280000084
Figure BDA0002531630280000085
Figure BDA0002531630280000086
Figure BDA0002531630280000087
Figure BDA0002531630280000088
Figure BDA0002531630280000089
Figure BDA00025316302800000810
Figure BDA00025316302800000811
Figure BDA00025316302800000812
Figure BDA00025316302800000813
用
Figure BDA00025316302800000814
更新
Figure BDA00025316302800000815
直到收敛，则新估计的水平和俯仰角度可以表示为：
Figure BDA00025316302800000816
Figure BDA00025316302800000817
所述步骤S4中，所述估计路径增益矩阵的方法为：根据重新构造的阵列流型矩阵采用LSE算法估计出路径增益矩阵。
具体地，根据上述获得的角度信息重新构造阵列流型矩阵
Figure BDA0002531630280000091
和
Figure BDA0002531630280000092
低维度的信道矩阵可以重新表示为
Figure BDA0002531630280000093
则
Figure BDA0002531630280000094
最后通过LSE算法估计出路径增益矩阵
Figure BDA0002531630280000095
其中
Figure BDA0002531630280000096
试验结果如图3和图4所示，收发两端天线数均为64，路径数为6，N＝M＝8，NRF＝4，G＝64,Nx＝32，量化间隔为2。图3是在不同信噪比下不同信道估计方法中的信道矩阵的NMSE对比图，对比传统的交替方向乘子法(ADMM)、正交匹配追踪法(OMP)、迭代加权法(IR)的方法，本发明所提的方法获得更好的NMSE(全称：normalized mean square error，归一化均方误差)性能。图4是不同信噪比下不同信道估计方法的平均频谱效率对比图，随着信噪比的增加所有的方法性能越来越好，且本发明所提方案的平均频谱效率与理想CSI的性能相当。
实施例二
基于同一发明构思，本实施例提供了一种基于降维分解的毫米波大规模MIMO角域信道估计装置，其解决问题的原理与所述基于降维分解的毫米波大规模MIMO角域信道估计方法类似，重复之处不再赘述。
本实施例提供一种基于降维分解的毫米波大规模MIMO角域信道估计装置，包括：
建模模块，用于建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端；
转换分解模块，用于将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；
计算模块，用于利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；
估计模块，用于根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。
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。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于，包括如下步骤：
步骤S1：建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端；
步骤S2：将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；
步骤S3：利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；
步骤S4：根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。
2.根据权利要求1所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：所述毫米波大规模MIMO系统包括基带数字预编码、与所述基带数字预编码相连的模拟预编码、与所述模拟预编码相连的基带合并。
3.根据权利要求2所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：所述基带数字预编码通过RF链与所述模拟预编码相连，所述模拟预编码通过RF链与所述基带合并相连。
4.根据权利要求1所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：所述三维信道矩阵的模型如下：
Figure FDA0002531630270000011
其中Nt、Nr分别是发送端和接收端的天线数，L是路径总数，μl是第l条路径增益，Ar(αr,βr)代表接收端天线矩阵，At(αt,βt)表示发射端天线矩阵。
5.根据权利要求1所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：将所述系统模型转换成二维模型的方法为：通过降维分解使所述系统模型中的接收端的接收角和发送端的发射角分离，获得信号的二维角域模型。
6.根据权利要求5所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：所述降维分解的步骤为：在所述系统模型的指定侧乘上XH构造低维矩阵，其中系统模型表示为Y＝WHHFX+WHN，其中F＝FBBFRF，W＝WBBWRF，X为发送信号，
Figure FDA0002531630270000021
且
Figure FDA0002531630270000022
N为服从(0,σn 2)分布的高斯噪声。
7.根据权利要求1所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：对所述二维角域模型进行奇异值分解时，根据指定的奇异矩阵最大的列构成信号子空间，并计算信号子空间和噪声子空间的正交投影矩阵，确定信号子空间和正交投影矩阵之间的关系。
8.根据权利要求1所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：所述离网误差的优化公式中，还包括泰勒公式。
9.根据权利要求1所述的基于降维分解的毫米波大规模MIMO角域信道估计方法，其特征在于：所述估计路径增益矩阵的方法为：根据重新构造的阵列流型矩阵采用LSE算法估计出路径增益矩阵。
10.一种基于降维分解的毫米波大规模MIMO角域信道估计装置，其特征在于，包括：
建模模块，用于建立毫米波大规模MIMO系统收发信号与三维信道矩阵的系统模型，其中所述毫米波大规模MIMO系统收发信号包括发送端和接收端；
转换分解模块，用于将所述系统模型转换成二维模型，得到接收端的接收角和发送端的发射角的二维角域模型，对所述二维角域模型进行奇异值分解得到信号子空间和噪声子空间的正交投影矩阵；
计算模块，用于利用毫米波大规模MIMO系统的角度域稀疏性，将接收端的接收角和发送端的发射角分布在多点均匀网格上，求出初始支撑集，再根据所述信号子空间和噪声子空间的正交投影矩阵构造离网误差的优化公式，通过逐步逼近的方法实现方位和俯仰角度的精确估计值；
估计模块，用于根据所述方位和俯仰角度的精确估计值重新构造阵列流型矩阵，估计路径增益矩阵。
CN202010519889.XA 2020-06-09 2020-06-09 基于降维分解的毫米波大规模mimo角域信道估计方法及装置 Active CN111654456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010519889.XA CN111654456B (zh) 2020-06-09 2020-06-09 基于降维分解的毫米波大规模mimo角域信道估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010519889.XA CN111654456B (zh) 2020-06-09 2020-06-09 基于降维分解的毫米波大规模mimo角域信道估计方法及装置

Publications (2)

Publication Number Publication Date
CN111654456A true CN111654456A (zh) 2020-09-11
CN111654456B CN111654456B (zh) 2021-10-19

Family

ID=72348849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010519889.XA Active CN111654456B (zh) 2020-06-09 2020-06-09 基于降维分解的毫米波大规模mimo角域信道估计方法及装置

Country Status (1)

Country Link
CN (1) CN111654456B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN113708811A (zh) * 2021-08-06 2021-11-26 江南大学 一种毫米波大规模mimo系统中的混合预编码设计方法
CN115396265A (zh) * 2022-09-05 2022-11-25 西南交通大学 基于对称非均匀阵列矩阵重构的角度域信道估计方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907270B1 (en) * 2000-10-23 2005-06-14 Qualcomm Inc. Method and apparatus for reduced rank channel estimation in a communications system
CN105763234A (zh) * 2016-02-25 2016-07-13 东南大学 毫米波mimo时域有限信道状态信息反馈方法及装置
WO2017147662A1 (en) * 2016-03-04 2017-09-08 The University Of Sydney Systems and methods of estimating channel parameters in a wireless communication system
WO2018014197A1 (zh) * 2016-07-19 2018-01-25 华为技术有限公司 一种信道估计方法及装置
CN107809275A (zh) * 2017-11-30 2018-03-16 杭州电子科技大学 一种基于毫米波mimo系统的有限反馈混合预编码方法
CN108390836A (zh) * 2018-01-10 2018-08-10 南京邮电大学 一种大规模mimo系统上行信道估计方法
CN109450830A (zh) * 2018-12-26 2019-03-08 重庆大学 一种高速移动环境下基于深度学习的信道估计方法
CN109743086A (zh) * 2019-03-06 2019-05-10 江南大学 一种大规模mimo系统的信道估计方法
CN110336761A (zh) * 2019-07-12 2019-10-15 电子科技大学 毫米波大规模mimo系统的波束空间信道估计方法
CN110460549A (zh) * 2019-08-02 2019-11-15 南京邮电大学 一种新颖的多用户3d mimo系统的信道估计方法
CN110635836A (zh) * 2019-09-12 2019-12-31 重庆大学 一种基于波束选择的毫米波大规模mimo系统mmse-pca信道估计方法
US10594517B1 (en) * 2018-10-26 2020-03-17 Wistron Neweb Corporation Channel estimation system and method thereof

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907270B1 (en) * 2000-10-23 2005-06-14 Qualcomm Inc. Method and apparatus for reduced rank channel estimation in a communications system
CN105763234A (zh) * 2016-02-25 2016-07-13 东南大学 毫米波mimo时域有限信道状态信息反馈方法及装置
WO2017147662A1 (en) * 2016-03-04 2017-09-08 The University Of Sydney Systems and methods of estimating channel parameters in a wireless communication system
WO2018014197A1 (zh) * 2016-07-19 2018-01-25 华为技术有限公司 一种信道估计方法及装置
CN107809275A (zh) * 2017-11-30 2018-03-16 杭州电子科技大学 一种基于毫米波mimo系统的有限反馈混合预编码方法
CN108390836A (zh) * 2018-01-10 2018-08-10 南京邮电大学 一种大规模mimo系统上行信道估计方法
US10594517B1 (en) * 2018-10-26 2020-03-17 Wistron Neweb Corporation Channel estimation system and method thereof
CN109450830A (zh) * 2018-12-26 2019-03-08 重庆大学 一种高速移动环境下基于深度学习的信道估计方法
CN109743086A (zh) * 2019-03-06 2019-05-10 江南大学 一种大规模mimo系统的信道估计方法
CN110336761A (zh) * 2019-07-12 2019-10-15 电子科技大学 毫米波大规模mimo系统的波束空间信道估计方法
CN110460549A (zh) * 2019-08-02 2019-11-15 南京邮电大学 一种新颖的多用户3d mimo系统的信道估计方法
CN110635836A (zh) * 2019-09-12 2019-12-31 重庆大学 一种基于波束选择的毫米波大规模mimo系统mmse-pca信道估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DIAN FAN等: "Angle Domain Channel Estimation in Hybrid", 《 IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 *
KAIDE ZHAO等: "Two-dimensional Hybrid Precoding with Limited", 《 2019 11TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
ZIYU GUO等: "Millimeter-Wave Channel Estimation Based on 2-D Beamspace MUSIC Method", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113300746A (zh) * 2021-05-24 2021-08-24 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN113300746B (zh) * 2021-05-24 2022-04-15 内蒙古大学 毫米波mimo天线与混合波束成形优化方法及系统
CN113708811A (zh) * 2021-08-06 2021-11-26 江南大学 一种毫米波大规模mimo系统中的混合预编码设计方法
CN113708811B (zh) * 2021-08-06 2022-05-10 江南大学 一种毫米波大规模mimo系统中的混合预编码设计方法
CN115396265A (zh) * 2022-09-05 2022-11-25 西南交通大学 基于对称非均匀阵列矩阵重构的角度域信道估计方法
CN115396265B (zh) * 2022-09-05 2023-07-28 西南交通大学 基于对称非均匀阵列矩阵重构的角度域信道估计方法

Also Published As

Publication number Publication date
CN111654456B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN111654456B (zh) 基于降维分解的毫米波大规模mimo角域信道估计方法及装置
CN109257309B (zh) 一种高性能的大规模mimo下行链路传输信道估计方法
CN107135024B (zh) 一种低复杂度的混合波束赋形迭代设计方法
CN111665468B (zh) 基于单比特量化信号虚拟域统计量重建的互质阵列波达方向估计方法
CN105891771B (zh) 一种提高估计精度的基于连续分布的角度估计方法与设备
CN112910578B (zh) 一种针对毫米波3d mimo信道的路径参数提取方法
CN108199753B (zh) 一种毫米波通信中基于迭代最小的预编码方法
CN110099016B (zh) 一种基于深度学习网络的毫米波稀疏阵面信道估计方法
CN110519189A (zh) 高度移动场景下基于压缩感知的毫米波信道估计方法
CN105162556B (zh) 基于空时相关性的大规模mimo系统信道反馈方法
CN112737649B (zh) 一种基于角度网格优化与范数约束的毫米波信道估计方法
CN107171985B (zh) 一种信道估计方法及系统
CN108111208A (zh) 一种灵活码本配置的毫米波系统角度域信道估计方法
CN110661555A (zh) 用于大规模mimo的部分连接的移相器网络的混合预编码算法
CN113595944A (zh) 一种用于毫米波mimo混合预编码系统的信道估计方法
CN105812032B (zh) 基于波束块结构压缩感知的信道估计方法
CN105915272B (zh) 一种基于压缩感知的迭代波束成形方法
CN113572503B (zh) 一种低复杂度的基于gp的改进混合波束成形方法
CN104994041B (zh) 三维大规模天线系统基于导频的波达波离角联合估计方法
CN114143896A (zh) 一种大规模mimo跨频协作鲁棒传输方法
CN112235022A (zh) 一种低复杂度的大规模mimo低轨卫星预编码方法
CN107426119B (zh) 毫米波通信的十字形信道估计方法、装置及系统
CN112202481A (zh) 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
CN115396265A (zh) 基于对称非均匀阵列矩阵重构的角度域信道估计方法
CN113242193B (zh) 一种低训练开销的混合大规模mimo-ofdm系统信道估计方法

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