CN111786703B - 大规模mimo的自适应双阈值下行信道估计方法 - Google Patents
大规模mimo的自适应双阈值下行信道估计方法 Download PDFInfo
- Publication number
- CN111786703B CN111786703B CN202010546861.5A CN202010546861A CN111786703B CN 111786703 B CN111786703 B CN 111786703B CN 202010546861 A CN202010546861 A CN 202010546861A CN 111786703 B CN111786703 B CN 111786703B
- Authority
- CN
- China
- Prior art keywords
- iteration
- signal
- threshold
- cell
- matrix
- 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
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Radio Transmission System (AREA)
Abstract
本发明针对于大规模多输入多输出(MIMO)系统OFDM下行链路,提出了一种自适应阈值的分段正交匹配追踪的信道估计方法。该方法利用信号的稀疏性质,用信息采样代替信号采样并从随机映射的观测值中获取有效信号,同时结合比例‑积分‑微分和残差分布特性的思想,能够在未知信号稀疏度的前提下自适应获取迭代最佳阈值。仿真结果表明,该方法能根据信号稀疏度的变化自适应进行信道估计,并且在同等信噪比情况下,重构信号的精确度比传统方法更高。
Description
技术领域
本发明属于无线通信领域,涉及多输入多输出(Multi-input Multi-output,MIMO)通信系统的信道估计方法,具体地说是一种基于压缩感知的大规模MIMO通信系统的下行链路自适应信道估计方法。
背景技术
大规模多输入多输出(MIMO)系统配备高数量的天线,以提高多路复用的能效,因它的高可靠性和显著提高了无线系统容量的特点而广泛应用于许多无线标准中。在大规模MIMO系统中由多个天线引起的多载波信号叠加特性使得信道估计变得困难,并且下行链路信道的CSI只能通过接收器来估计信道状态信息,目前可通过稀疏信号恢复方向尝试估计信道状态。
而压缩感知技术就是利用信号的稀疏性质或在变换域上可压缩的特点,用信息采样代替信号采样并从随机映射的观测值中获取有效信号,对于模拟信号来说其信号压缩不受奈奎斯特采样率的限制,同时离散信号的去相关压缩性能也比传统压缩技术(DCT)有所提升,压缩感知算法主要包括凸优化法和贪婪匹配追踪算法。
经典的贪婪重构恢复算法有正交匹配追踪(OMP)算法,正则化正交匹配(ROMP)算法以及广义正交匹配追踪(GOMP)算法,这几种算法恢复信号时都需要借助于信号的稀疏度信息;但在实际情况中,信道的稀疏度是一个不确定信息,这就对当前算法下重构精度有所影响。后来提出了分段正交匹配追踪(StOMP)算法,在无需确定信号稀疏度的前提下较为准确的恢复信号,但是由于其阈值参数和迭代次数的设置都是人为凭经验设置的,因而每次迭代重构出的信号可能与原信号有一定的误差,重构的精度因此降低。
发明内容
近年来,随着对压缩感知重构算法的研究越来越深入,原子挑选方式对信号重构效率有直接的影响。为了解决上述问题,本发明主要针对固定阈值和迭代停止条件问题,提供了一种适用于多小区多用户的MIMO-OFDM系统下行链路的信道估计方法。
本发明解决技术问题所采取的技术方案为:
该方法所采用的系统模型为密集小区的大规模MIMO-OFDM系统模型,该该系统模型中每个小区采用中心基站并配有M根均匀排列的发射天线,用于服务小区中K个同时通信的移动用户。
设该系统模型下共有I个小区,每个小区中有K个用户,第i个小区中第j个用户接收到的信号yij表示为:yij=Gijxj+ni。
其中:Gij表示第i个小区中第j个用户接收到的信道矩阵,xj表示第j个用户发射的训练序列;ni表示第i个小区内用户接收到的高斯白噪声。
采用矩阵形式来表示第i个小区接收到的信号,则为:Yi=GiXi+Ni。
其中:Gi=[G1iG2i…GKi]为这I个小区中所有的用户信道组成的合信道矩阵;Xi为第i个小区发送的训练信号矩阵;Ni为第i个小区的接收高斯白噪声。
该方法是在信道稀疏度和信噪比未知的情况下,对当前多用户多小区系统的下行信道状态信息进行估计:
采用改进的分段正交匹配追踪算法,具体是在第s次迭代时,执行以下步骤:
步骤1:计算上一步迭代残差rs-1与传感矩阵A的相关系数集合us,将us中所有大于门限Th=tsσs的对应传感矩阵Aj列构成新的集合Js。
其中Aj表示传感矩阵A的第j列,σs表示当前迭代状态下噪声的影响程度,ts为当前迭代次数下的门限参数。
步骤2:更新原子候选集Λs=Λs-1Js。
步骤5:把当前误差es和误差标准e进行比较,若es<e,则继续执行步骤6;
反之则根据比例-积分-微分控制算法调整门限参数ts,再返回步骤1重新开始执行计算。
步骤6:若残差比阈值γs>θ,则返回步骤1重新执行,反之继续执行步骤7。
本发明的有益效果是:
1:本发明在每次迭代时挑选多个原子更新原子候选集,相较于单次迭代只挑选一个原子的OMP算法减少了迭代次数。
2:利用反馈控制比例-积分-微分算法调整原子选择阈值参数:自动控制系统的调节单元将计算值与预设值进行比较,然后对所得误差进行比例、微分、积分运算,重新调整后再次执行系统步骤直到误差符合预设误差的范围,避免人为设定参数导致重构精度较低。
3:迭代终止次数的设置需要信噪比作为先验知识,而实际环境中信噪比往往未知,应用范围受限;而人为设定的次数过低,重构信号的精确度较低,反之会增加不必要的运算时间。引入残差能量的阈值判决代替硬阈值判决来提高重构精度,同时还可以消除信号带宽外的随机噪声分量对迭代状态的影响。
附图说明
图1为本发明的所采用的系统模型。
图2为本发明的具体流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本算法,下面结合附图及作进一步的详细描述,应当理解,此处所描述的实施例仅用于说明和解释本发明,但并不用于限定本发明。
如图1所示,本发明采用的系统模型为密集小区的大规模MIMO-OFDM系统模型,每个小区采用中心基站并配有M根均匀排列的发射天线,用于服务小区中K个同时通信的移动用户。无线通信系统传播过程中,发射端环境和接收端环境可能会有差异,这就导致了信号恶化,一方面是加性噪声引起的,另一方面则是大尺度衰落和小尺度衰落带来的。
假设该系统模型下共有I个小区,每个小区中有K个用户,第i(i=1,2,…,I)个小区中第j个(j=1,2,…,K)用户接收到的信号yij∈RM×i可表示为:yij=Gijxj+ni
其中:Gij∈RM×K表示第i个小区中第j个用户接收到的信道矩阵,一般由无线信道的衰落情况来决定;xj∈RK×1为用户发射的训练序列;ni∈RM×1为小区内用户接收到的高斯白噪声,其均值为零,方差为σ2。
用矩阵形式来表示第i个小区接收到的信号则为:Yi=GiXi+Ni
其中:Gi=[G1iG2i…GKi]为这I个小区中所有的用户信道组成的合信道矩阵;Xi是第i个小区发送的训练信号矩阵;Ni是第i个小区的接收高斯白噪声。
在信道稀疏度和信噪比未知的情况下,对当前多用户多小区系统的下行信道状态信息进行估计,见图2:
输入:(1)传感矩阵A
(2)观测向量y
(3)门限参数t0,初始化设定为2.4
(4)迭代停止阈值θ
(2)残差rs
第s次迭代时:
步骤1:计算上一步迭代残差rs-1与传感矩阵A的相关系数集合us(usj=<rs-1,Aj>),将us中所有大于门限Th=tsσs的对应传感矩阵Aj列构成新的集合Js;
Aj表示传感矩阵A的第j列;σs表示当前迭代状态下噪声的影响程度,ts为当前迭代次数下的门限参数。
步骤2:更新原子候选集Λs=Λs-1Js。
步骤5:把当前误差和误差标准e进行比较,若es<e,满足误差要求继续执行步骤6;反之则根据比例-积分-微分控制算法调整门限参数,再返回步骤1重新开始执行计算;
1)比例-积分-微分控制算法调整阈值计算公式:
ts=Kp[es-es-1]+Kies+Kd[es-2es-1+es-2];,
其中,Kp为比例系数,用于控制当前系统的状态;Ki为积分系数,用以控制系统过去的状态;Kd为微分系数,用以控制系统未来状态。
步骤6:若残差比阈值γs>θ则返回步骤1重新执行,反之继续执行步骤7;
综上,本发明引入了控制算法思想来调整挑选原子的阈值参数,通过定义残差比阈值作为迭代停止条件,能够实现在挑选原子迭代停止过程中自适应调整阈值,以达到提升重构信号这一过程中效率和质量的目的。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (2)
1.大规模MIMO的自适应双阈值下行信道估计方法,
该方法所采用的系统模型为密集小区的大规模MIMO-OFDM系统模型,该系统模型中每个小区采用中心基站并配有M根均匀排列的发射天线,用于服务小区中K个同时通信的移动用户;
设该系统模型下共有I个小区,每个小区中有K个用户,第i个小区中第j个用户接收到的信号yij表示为:yij=Gijxj+ni
其中:Gij表示第i个小区中第j个用户接收到的信道矩阵,xj表示第j个用户发射的训练序列;ni表示第i个小区内用户接收到的高斯白噪声;
采用矩阵形式来表示第i个小区接收到的信号,则为:Yi=GiXi+Ni
其中:Gi=[Gi1 Gi2 … GiK]为这i个小区中所有的用户信道组成的合信道矩阵;Xi为第i个小区发送的训练信号矩阵;Ni为第i个小区的接收高斯白噪声,其特征在于:
在信道稀疏度和信噪比未知的情况下,对当前多用户多小区系统的下行信道状态信息进行估计:
采用改进的分段正交匹配追踪算法,具体是在第s次迭代时,执行以下步骤:
步骤1:计算上一步迭代残差rs-1与传感矩阵A的相关系数集合us,将us中所有大于门限Th=tsσs的对应传感矩阵Aj列构成新的集合Js;
其中Aj表示传感矩阵A的第j列,σs表示当前迭代状态下噪声的影响程度,ts为当前迭代次数下的门限参数;
步骤2:更新原子候选集Λs=Λs-1Js;
步骤5:把当前误差es和误差标准e进行比较,若es<e,则继续执行步骤6;
反之则根据比例-积分-微分控制算法调整门限参数ts,再返回步骤1重新开始执行计算;
所述的当前误差es计算如下:
步骤6:若残差比阈值γs>θ,则返回步骤1重新执行,反之继续执行步骤7,其中θ为迭代停止阈值,残差比阈值γs计算如下:
其中ls为残差比系数;
2.根据权利要求1所述的大规模MIMO的自适应双阈值下行信道估计方法,其特征在于:步骤5中采用比例-积分-微分控制算法调整门限参数ts具体计算如下:
ts=Kp[es-es-1]+Kies+Kd[es-2es-1+es-2];
其中,Kp为比例系数,用于控制当前系统的状态;Ki为积分系数,用于控制系统过去的状态;Kd为微分系数,用于控制系统未来状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546861.5A CN111786703B (zh) | 2020-06-16 | 2020-06-16 | 大规模mimo的自适应双阈值下行信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546861.5A CN111786703B (zh) | 2020-06-16 | 2020-06-16 | 大规模mimo的自适应双阈值下行信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111786703A CN111786703A (zh) | 2020-10-16 |
CN111786703B true CN111786703B (zh) | 2021-09-03 |
Family
ID=72756566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546861.5A Active CN111786703B (zh) | 2020-06-16 | 2020-06-16 | 大规模mimo的自适应双阈值下行信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111786703B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109560841A (zh) * | 2018-12-13 | 2019-04-02 | 东北大学 | 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3297236A1 (en) * | 2016-09-15 | 2018-03-21 | Mitsubishi Electric R & D Centre Europe B.V. | Efficient sparse channel estimation based on compressed sensing |
US10164800B2 (en) * | 2017-03-31 | 2018-12-25 | Intel Corporation | Channel estimation using peak cancellation |
CN109639603A (zh) * | 2018-12-25 | 2019-04-16 | 南开大学 | 基于导频的低复杂度压缩感知信道估计方法 |
CN109688074B (zh) * | 2019-01-11 | 2020-05-12 | 电子科技大学 | 一种基于压缩感知的ofdm系统的信道估计方法 |
CN110198281B (zh) * | 2019-05-13 | 2021-12-14 | 重庆邮电大学 | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 |
CN110336761B (zh) * | 2019-07-12 | 2021-04-02 | 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 |
-
2020
- 2020-06-16 CN CN202010546861.5A patent/CN111786703B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109560841A (zh) * | 2018-12-13 | 2019-04-02 | 东北大学 | 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111786703A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110099017B (zh) | 基于深度神经网络的混合量化系统的信道估计方法 | |
CN110719239B (zh) | 一种数据模型双驱动的联合mimo信道估计和信号检测方法 | |
CN108832976B (zh) | 一种大规模mimo系统的上行链路信道估计方法 | |
CN105978674B (zh) | 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法 | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN108512787B (zh) | 大规模mimo系统的超精细信道估计方法 | |
CN106850013B (zh) | 一种上行链路大规模mimo系统的信号检测方法 | |
CN105471775B (zh) | 一种大规模mimo系统中低复杂度的信道估计方法 | |
CN108964725B (zh) | 时变大规模mimo网络中信道参数的稀疏估计方法 | |
CN111131097B (zh) | Sc-mimo水声通信环境下的块对角稀疏贝叶斯信道估计方法 | |
CN110430150A (zh) | 一种基于神经网络的蜂窝移动通信系统接收机设计方法 | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
Hussien et al. | PRVNet: A novel partially-regularized variational autoencoders for massive MIMO CSI feedback | |
CN111107023B (zh) | 在大规模mimo中基于光滑范数的压缩感知信道估计方法 | |
CN113162665A (zh) | 一种基于深度学习信道预测的预编码方法 | |
CN114726412B (zh) | 信道信息获取方法、装置及相关设备 | |
CN104253638B (zh) | 基于Stiefel流形上共轭梯度法的MIMO干扰对齐算法 | |
CN111786703B (zh) | 大规模mimo的自适应双阈值下行信道估计方法 | |
Chu et al. | Wireless channel prediction for multi-user physical layer with deep reinforcement learning | |
CN112769462A (zh) | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 | |
CN104702540A (zh) | 一种用于小区边缘终端的信号接收优化方法 | |
CN110086734B (zh) | 一种时变大规模mimo系统中的信道追踪和恢复方法 | |
Kosasih et al. | A linear Bayesian learning receiver scheme for massive MIMO systems | |
CN107733487B (zh) | 一种大规模多输入多输出系统的信号检测方法及装置 | |
CN110868244B (zh) | 一种基于信道穿刺的低复杂度通信信号检测方法 |
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 |