CN111865842A - 一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备 - Google Patents

一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备 Download PDF

Info

Publication number
CN111865842A
CN111865842A CN202010086709.3A CN202010086709A CN111865842A CN 111865842 A CN111865842 A CN 111865842A CN 202010086709 A CN202010086709 A CN 202010086709A CN 111865842 A CN111865842 A CN 111865842A
Authority
CN
China
Prior art keywords
matrix
channel matrix
stage
dimensional
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.)
Granted
Application number
CN202010086709.3A
Other languages
English (en)
Other versions
CN111865842B (zh
Inventor
李斌
曹先彬
赵成林
许方敏
张军
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.)
Beihang University
Beijing University of Posts and Telecommunications
Original Assignee
Beihang University
Beijing University of Posts and Telecommunications
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 Beihang University, Beijing University of Posts and Telecommunications filed Critical Beihang University
Priority to CN202010086709.3A priority Critical patent/CN111865842B/zh
Publication of CN111865842A publication Critical patent/CN111865842A/zh
Application granted granted Critical
Publication of CN111865842B publication Critical patent/CN111865842B/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

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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备，包括：选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；根据第一矩阵估计信息和第二矩阵估计信息，得到第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；根据第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure DDA0002382316380000011
得到信道估计信息。本发明显著降低最佳信道估计算法的计算复杂度和处理时延，采用随机近似矩阵之间误差范数作为优化准则，有效控制了高维信道矩阵的构建精度，准确地实时地获取未知的信道状态信息。

Description

一种两阶段低复杂度Massive MIMO信道估计方法、装置及 设备
技术领域
本发明涉及信息领域，特别是指一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备。
背景技术
现有技术中主流的信道估计方法包括：最小均方误差估计器和最小误差平方和估计器，两者均涉及对大规模导频信号矩阵的求逆，其计算复杂度约为
Figure BDA0002382316360000011
在实际应用中将耗费大量的计算能量，产生显著的处理延迟，从而严重制约了Massive MIMO技术在未来5G通信系统中的应用部署。已有方法主要是在矩阵求逆过程中，引入了级数展开或矩阵分解技巧，在一定程度上降低了计算复杂度，然而对于常见的M＝64至M＝128场景而言，现有技术性能十分有限，其计算复杂度仅降低2-3倍甚至无法降低，与此同时信道估计精度也会显著下降。
发明内容
有鉴于此，本发明的目的在于提出一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备，以解决现有技术中处理时延高、精度低和计算复杂度高的缺陷。
基于上述目的本发明提供的一种两阶段低复杂度Massive MIMO信道估计方法，包括：
选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；
根据所述第一矩阵估计信息和第二矩阵估计信息，得到所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；
根据所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据所述HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure BDA0002382316360000023
得到信道估计信息。
可选的，所述第一矩阵估计信息和第二矩阵估计信息均来自基站端和用户端，包括：
所述第一矩阵估计信息包括：所述基站端在全部M根天线中随机选取s1根所述天线作为激活天线，所述用户端选取全部K个用户作为激活用户发送长度为B1的训练导频；
所述第二矩阵估计信息包括：所述基站端选取全部M根所述天线作为所述激活天线，所述用户端从全部K个所述用户中随机选取s2个所述用户作为所述激活用户发送长度为B2的所述训练导频。
可选的，所述s1根激活天线与所述高维信道矩阵H的秩ρ(H)相关，选取所述s1＝(1+ε)×ρ(H)，其中ε为一个趋近于0的正数。
可选的，所述s2个激活用户与所述高维信道矩阵H的秩ρ(H)相关，选取所述s2＝(1+ζ)×ρ(H)，其中ζ为一个趋近于0的正数。
可选的，所述s1根激活天线按照概率pM随机选取，当所述高维信道矩阵H的先验信息无法获得时，采用均匀分布随机方法选择所述s1根激活天线。
可选的，所述s2个激活用户按照概率pK随机选取，当所述高维信道矩阵H的先验信息无法获得时，采用所述均匀分布随机方法选择所述s2根激活天线。
可选的，所述高维信道矩阵H通过所述第一阶段信道矩阵估计结果HR、第二阶段信道矩阵估计结果HC和低维权重矩阵HU的乘积得到，所述高维信道矩阵H≈HRHUHC。
可选的，所述根据所述高维信道矩阵H得到最优低维权重矩阵
Figure BDA0002382316360000021
包括：
所述第一阶段信道矩阵估计结果HR等效为HC1，所述第二阶段信道矩阵估计结果HC等效为C2 TH，所述最优低维权重矩阵
Figure BDA0002382316360000022
采用与所述第一阶段信道矩阵估计结果HR和所述第二阶段信道矩阵估计结果HC之间误差范数作为优化准则，得到的计算结果为
Figure BDA0002382316360000031
其中C1表示等效行采样矩阵，C2表示等效列采样矩阵，C2 T表示等效列采样矩阵的转置矩阵。
基于上述目的，本发明实施例还提供了一种两阶段低复杂度Massive MIMO信道估计装置，包括：
调度模块，被配置为选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；
估计模块，被配置为根据所述第一矩阵估计信息和第二矩阵估计信息，得到所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；
合成模块，被配置为根据所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据所述HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure BDA0002382316360000032
得到信道估计信息。
基于上述目的，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述任意一种所述的方法。
从上面所述可以看出，本发明提供的一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备面向大规模天线通信系统的低复杂度和低时延信道估计场景，适用于未来5G超高速通信与空天网络中大规模相控阵卫星通信系统等，显著降低最佳信道估计算法的计算复杂度与处理时延，突破了低复杂度与高性能估计之间的固有矛盾。本发明包含两个阶段，通过对高维信道矩阵进行随机采样，分别得到了由部分元素所构成的两个低维矩阵，避免了直接估计高维信道矩阵，从而大大降低了所涉及的计算复杂度与处理时延。采用随机近似矩阵之间误差范数作为优化准则，得到最优的低维空间权重矩阵，有效控制了高维信道矩阵的构建精度，确保了MMSE信道估计误差，在显著降低计算复杂度和处理时延的同时，其估计精度与最优MMSE信道估计相同。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种两阶段低复杂度Massive MIMO信道估计方法流程图；
图2为本发明实施例中基于随机矩阵近似计算的完整高维信道矩阵原理示意图；
图3为本发明实施例中一种两阶段低复杂度Massive MIMO信道估计装置框图；
图4为本发明实施例中一种电子设备示意图；
图5为本发明实施例中本发明方法与现有方法的计算复杂度和处理时延对比图；
图6为本发明实施例中本发明方法与经典MMSE方法的信道估计MMSE性能对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
本发明实施例提供了一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备。
参考图1，本发明实施例的方法，包括以下步骤：
S101选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR。
本步骤中，第一矩阵估计信息和第二矩阵估计信息均来自基站端和用户端，在基站端的全部M根天线中随机选取s1＜＜M根天线作为激活天线，用户端选取全部K个用户作为激活用户发送长度为B1＝2s1的训练导频，将s1根激活天线、K个激活用户和长度为B1的训练导频作为基站端的高维信道矩阵H的第一矩阵估计信息；在基站端选取全部M根天线作为激活天线，用户端从全部K个用户中随机选取s2＜＜K个用户作为激活用户发送长度为B2＝2s2的训练导频，将M跟激活天线、s2个激活用户和长度为B2的训练导频作为基站端的高维信道矩阵H的第二矩阵估计信息。激活天线数量s1与高维信道矩阵H的秩ρ(H)相关，具体地在本实施例中选取s1＝(1+ε)×ρ(H)，其中ε为一个趋近于0的正数，本实施例中选取ε＝0.2；激活用户数量s2与高维信道矩阵H的秩ρ(H)相关，具体地在本实施例中选取s2＝(1+ζ)×ρ(H)，其中ζ为一个趋近于0的正数，本实施例中选取ζ＝0.1。激活天线可以按照特定概率pM随机选取，当高维信道矩阵H的先验信息无法获得时，采用均匀分布随机选择s1根激活天线接收来自K个激活用户的训练导频B1；激活用户可以按照特定概率pK随机选取，当高维信道矩阵H的先验信息无法获得时，采用均匀分布随机选择s2个激活用户发送训练导频B2。在得到第一阶段信道矩阵估计结果HR后，记录保留HR。
S102根据所述第一矩阵估计信息和第二矩阵估计信息，得到所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC。
本步骤中，第一阶段信道矩阵估计结果HR的估计过程中，K个激活用户发送长度为B1的正交导频序列作为训练导频，基站端采用s1根激活天线进行接收，该过程相比于传统MMSE信道估计，在时间开销相同的情况下，显著降低了基站端激活天线数量与处理功耗，而且可以通过低复杂度计算估计第一阶段信道矩阵估计结果的信道矩阵元素。本实施例中假设
Figure BDA0002382316360000051
其中
Figure BDA0002382316360000052
为部分元素构成的第一阶段信道矩阵估计结果，
Figure BDA0002382316360000053
为激活用户发送的训练导频对应的矩阵，
Figure BDA0002382316360000054
为高斯白噪声矩阵，
Figure BDA0002382316360000055
为复数空间，设置B1＝2s1，定义将矩阵Y(1)按照不同列排成一个向量的矩阵
Figure BDA0002382316360000056
将矩阵HR按照不同列排成一个向量的矩阵
Figure BDA0002382316360000061
噪声方差矩阵
Figure BDA0002382316360000062
第一阶段信道矩阵估计结果HR可通过下式估计得到：
Figure BDA0002382316360000063
其中，
Figure BDA0002382316360000064
表示HR的估算值，P(1)为用户发送的第一导频矩阵，Y(1)为第一阶段接收信号矩阵，y(1)为第一阶段接收信号向量，hR为第一阶段信道矩阵的向量形式。接下来，在第二阶段信道矩阵估计结果HC的估计过程中，基站采用M根激活天线接收信号，选取s2个用户发送长度为B2的正交导频序列作为训练导频，满足B2＝2s2，该过程相比于传统MMSE信道估计，显著降低了用户端的导频长度与发送功耗，同时也以低复杂度估计第二阶段信道矩阵估计结果的信道矩阵元素。本实施例中假设
Figure BDA0002382316360000065
其中
Figure BDA0002382316360000066
为第二阶段信道矩阵估计结果，
Figure BDA0002382316360000067
为用户发送的训练导频对应的导频矩阵，
Figure BDA0002382316360000068
为高斯白噪声矩阵；若定义将矩阵Y(2)按照不同列排成一个向量的矩阵
Figure BDA0002382316360000069
将矩阵HC按照不同列排成一个向量的矩阵
Figure BDA00023823163600000610
噪声方差矩阵
Figure BDA00023823163600000611
其中σ2为噪声方差，I为单位矩阵，则第二阶段信道矩阵估计结果HC可由下式估计获得：
Figure BDA00023823163600000612
其中
Figure BDA00023823163600000613
表示HC的估算值，P(2)为用户发送的第二导频矩阵，Y(2)为第二阶段接收信号矩阵，y(2)为第二阶段接收信号向量，hC为第二阶段信号矩阵的向量形式。
S103根据所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据所述HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure BDA00023823163600000614
得到信道估计信息。
本步骤中，利用已经获得的第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC，进一步采用随机矩阵分解思想，通过引入低维权重矩阵HU，利用高维信道矩阵H的低秩特性，即矩阵的秩ρ＝rank(H)＜＜M，在满足条件ρ<rank(HC)≤s2和ρ<rank(HR)≤s1情况下，可以通过下式构建完整的高维信道矩阵H的估算值：
Figure BDA0002382316360000071
最优低维权重矩阵
Figure BDA0002382316360000072
通过最小化上述近似误差得到，即：
Figure BDA0002382316360000073
其中
Figure BDA0002382316360000074
为
Figure BDA0002382316360000075
的转置共轭，
Figure BDA0002382316360000076
为
Figure BDA0002382316360000077
的转置共轭。
参考图2，在优化低维空间权重矩阵HU的过程中，进一步避免采取全局矩阵近似误差作为最优化准则，而是转而优化第一阶段信道矩阵估计结果和第二阶段信道矩阵估计结果的近似误差。在本实施例中，HR等效为是对完整信道矩阵H进行列采样得到的，即HR＝HC1，其中C1表示等效列采样矩阵，其中C1中每一行仅包含一个非零元素1；HC等效为是对完整信道矩阵进行行采样得到的，即HC＝C2 TH，其中C2 T表示等效行采样矩阵，C2每一列仅包含一个非零元素1，通过优化相应采样行和采样列对应的部分矩阵近似误差，最终得到低维空间权重矩阵HU，即：
Figure BDA0002382316360000078
进一步考虑HR和HC之间相同元素的差异性，最终得到关于最优低维权重矩阵
Figure BDA0002382316360000079
的最佳估计，即：
Figure BDA00023823163600000710
得到完整的信道估计矩阵H就是信道估计过程中需要得到的信道估计信息，通过计算得到信道估计矩阵H，准确地得到未知的信道估计信息。
分析本发明提供的方法，其计算复杂度主要包括三个部分。第一部分主要涉及第一阶段信道矩阵估计结果，若采用MMSE信道估计器，所需计算复杂度约为
Figure BDA00023823163600000711
其中s1＝ρ＜＜M；第二部分涉及第二阶段信道矩阵估计结果，同样MMSE计算复杂度为
Figure BDA00023823163600000712
其中s2＝ρ＜＜K；第三部分则是高维信道矩阵H的构建过程为了得到低维权重矩阵HU，需要对低维矩阵C1HC2 T进行取逆运算，计算复杂度为
Figure BDA0002382316360000081
因此本方法整体复杂度约为
Figure BDA0002382316360000082
可以从中发现，尽管该复杂度与天线数目M呈立方关系，但相比于现有MMSE信道估计过程而言，其复杂度可以降低约γ≈(K/ρ)3。例如在实际场景M＝64与K＝30中，对于高频段Massive MIMO而言一般满足ρ≤7，相比于传统MMSE信道估计，本发明方法计算复杂度可降低约γ≈(K/ρ)3＝27倍，对于仅降低2-5倍复杂度的其他现有技术，本发明在大规模天线的实际部署中具有更好的应用潜力，也更有利于低功耗和低时延MassiveMIMO信号处理与接收场景。
本发明提供的一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备面向大规模天线通信系统的低复杂度和低时延信道估计场景，适用于未来5G超高速通信与空天网络中大规模相控阵卫星通信系统等，显著降低最佳信道估计算法的计算复杂度与处理时延，突破了低复杂度与高性能估计之间的固有矛盾。本发明包含两个阶段，通过对高维信道矩阵进行随机采样，分别得到了由部分元素所构成的两个低维矩阵，避免了直接估计高维信道矩阵，从而大大降低了所涉及的计算复杂度与处理时延。采用随机近似矩阵之间误差范数作为优化准则，得到最优的低维空间权重矩阵，有效控制了高维信道矩阵的构建精度，确保了MMSE信道估计误差，在显著降低计算复杂度和处理时延的同时，其估计精度与最优MMSE信道估计相同。
基于同一发明构思，本发明实施例还提供了一种两阶段低复杂度Massive MIMO信道估计装置，包括调度模块、估计模块和合成模块。
参考图3，本装置中包括：
调度模块，被配置为选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；
估计模块，被配置为根据所述第一矩阵估计信息和第二矩阵估计信息，得到所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；
合成模块，被配置为根据所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据所述HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure BDA0002382316360000091
得到信道估计信息。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
参考图4，图中示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器401、存储器402、输入/输出接口403、通信接口404和总线405。其中处理器401、存储器402、输入/输出接口403和通信接口404通过总线405实现彼此之间在设备内部的通信连接。
处理器401可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器402可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器402可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器402中，并由处理器401来调用执行。
输入/输出接口403用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口404用于连接通信模块，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线405包括一通路，在设备的各个组件(例如处理器401、存储器402、输入/输出接口403和通信接口404)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器401、存储器402、输入/输出接口403、通信接口404以及总线405，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
为了直观的展示一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备的优势，考虑线性高斯信道大规模MIMO信道估计过程，假设基站端天线数目为M＝80，用户数目K则从25增加至45，高维信道矩阵H的秩ρ为10，为了验证本发明方法有效性，本发明方法和现有技术MMSE信道估计均在Matlab平台运行，CPU工作主频3.3GHz，内存4GB，操作系统64位。
参考图5，为不同信道估计方法所需的CPU处理时延，可以看出即便在天线数目M在32-100之间的情况下，本发明方法依旧能显著降低信道估计过程的计算复杂度和处理时延。具体地可以得出，当用户数目为K＝20时，本发明所需处理时延为1.72秒，而传统信道估计方法所需处理时延为7.58秒，本发明方法所获得的处理时间增益为5.7倍；当用户数目增加至K＝75时，本发明方法所需处理时延约为1.85秒，而传统信道估计方法则需90.14秒，本发明方法的处理时间增益为48.6倍，显著缩减了计算时延和处理功耗。
参考图6，本发明方法在显著缩减计算时延和处理功耗的同时，本发明所获得的信道估计精度几乎不受影响，与最佳MMSE信道估计性能相同。数据仿真分析中，基站端天线数目M为80，用户数目K为30和40，高维信道矩阵H的秩为ρ＝10。图中所示本发明方案的信道估计均方误差(MSE)与MMSE信道估计方案的MSE几乎完全重合。只有在信道比很高的情况下，例如SNR＞8dB，本发明方法的估计MSE才会略微低于传统的MMSE信道估计方案。可以通过实验预期本发明方法传输误码率(BER)也与最优MMSE信道估计方案相同。本发明方法在显著降低计算复杂度和处理时延的同时，所获得的Massive MIMO信道估计精度未受影响，从而突破了低复杂度与高性能之间的固有理论难题，将对于未来5G毫米波大规模天线阵的实际部署，以及未来大规模相控阵卫星通信均具有重要理论意义与实际应用价值。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种两阶段低复杂度Massive MIMO信道估计方法，其特征在于，包括：
选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；
根据所述第一矩阵估计信息和第二矩阵估计信息，得到所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；
根据所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据所述HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure FDA0002382316350000011
得到信道估计信息。
2.根据权利要求1所述的方法，其特征在于，所述第一矩阵估计信息和第二矩阵估计信息均来自基站端和用户端；
所述第一矩阵估计信息包括：所述基站端在全部M根天线中随机选取s1根所述天线作为激活天线，所述用户端选取全部K个用户作为激活用户发送长度为B1的训练导频；
所述第二矩阵估计信息包括：所述基站端选取全部M根所述天线作为所述激活天线，所述用户端从全部K个所述用户中随机选取s2个所述用户作为所述激活用户发送长度为B2的所述训练导频。
3.根据权利要求2所述的方法，其特征在于，所述s1根激活天线与所述高维信道矩阵H的秩ρ(H)相关，选取所述s1＝(1+ε)×ρ(H)，其中ε为一个趋近于0的正数。
4.根据权利要求3所述的方法，其特征在于，所述s2个激活用户与所述高维信道矩阵H的秩ρ(H)相关，选取所述s2＝(1+ζ)×ρ(H)，其中ζ为一个趋近于0的正数。
5.根据权利要求3所述的方法，其特征在于，所述s1根激活天线按照概率pM随机选取，当所述高维信道矩阵H的先验信息无法获得时，采用均匀分布随机方法选择所述s1根激活天线。
6.根据权利要求5所述的方法，其特征在于，所述s2个激活用户按照概率pK随机选取，当所述高维信道矩阵H的先验信息无法获得时，采用所述均匀分布随机方法选择所述s2根激活天线。
7.根据权利要求1所述的方法，其特征在于，所述高维信道矩阵H通过所述第一阶段信道矩阵估计结果HR、第二阶段信道矩阵估计结果HC和低维权重矩阵HU的乘积得到，所述高维信道矩阵H≈HRHUHC。
8.根据权利要求1所述的方法，其特征在于，所述根据所述高维信道矩阵H得到最优低维权重矩阵
Figure FDA0002382316350000021
包括：
所述第一阶段信道矩阵估计结果HR等效为HC1，所述第二阶段信道矩阵估计结果HC等效为C2 TH，所述最优低维权重矩阵
Figure FDA0002382316350000022
采用与所述第一阶段信道矩阵估计结果HR和所述第二阶段信道矩阵估计结果HC之间误差范数作为优化准则，得到的计算结果为
Figure FDA0002382316350000023
其中C1表示等效行采样矩阵，C2表示等效列采样矩阵，C2 T表示等效列采样矩阵的转置矩阵。
9.一种两阶段低复杂度Massive MIMO信道估计装置，包括：
调度模块，被配置为选择第一矩阵估计信息和第二矩阵估计信息，记录第一阶段信道矩阵估计结果HR；
估计模块，被配置为根据所述第一矩阵估计信息和第二矩阵估计信息，得到所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC；
合成模块，被配置为根据所述第一阶段信道矩阵估计结果HR和第二阶段信道矩阵估计结果HC计算低维权重矩阵HU，根据所述HR、HC和HU合成高维信道矩阵H，根据所述高维信道矩阵H得到最优低维权重矩阵
Figure FDA0002382316350000024
得到信道估计信息。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。
CN202010086709.3A 2020-02-11 2020-02-11 一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备 Active CN111865842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010086709.3A CN111865842B (zh) 2020-02-11 2020-02-11 一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010086709.3A CN111865842B (zh) 2020-02-11 2020-02-11 一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111865842A true CN111865842A (zh) 2020-10-30
CN111865842B CN111865842B (zh) 2021-10-29

Family

ID=72984858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010086709.3A Active CN111865842B (zh) 2020-02-11 2020-02-11 一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111865842B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102377699A (zh) * 2010-08-16 2012-03-14 中兴通讯股份有限公司 一种mu-mimo系统的信道估计方法和装置
US20150163073A1 (en) * 2013-12-11 2015-06-11 Broadcom Corporation Massive mimo channel estimation
CN105049385A (zh) * 2015-08-25 2015-11-11 电子科技大学 一种多用户大规模mimo系统中的迭代信道估计方法
CN105471775A (zh) * 2015-05-06 2016-04-06 南京邮电大学 一种大规模mimo系统中低复杂度的信道估计方法
CN105610479A (zh) * 2016-02-29 2016-05-25 华中科技大学 一种大规模mu-mimo系统信道估计方法
CN106330284A (zh) * 2016-08-16 2017-01-11 东南大学 一种低复杂度大规模mimo信道估计方法
CN106549884A (zh) * 2015-12-31 2017-03-29 南方科技大学 信道估计方法和系统
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102377699A (zh) * 2010-08-16 2012-03-14 中兴通讯股份有限公司 一种mu-mimo系统的信道估计方法和装置
US20150163073A1 (en) * 2013-12-11 2015-06-11 Broadcom Corporation Massive mimo channel estimation
CN105471775A (zh) * 2015-05-06 2016-04-06 南京邮电大学 一种大规模mimo系统中低复杂度的信道估计方法
CN105049385A (zh) * 2015-08-25 2015-11-11 电子科技大学 一种多用户大规模mimo系统中的迭代信道估计方法
CN106549884A (zh) * 2015-12-31 2017-03-29 南方科技大学 信道估计方法和系统
CN105610479A (zh) * 2016-02-29 2016-05-25 华中科技大学 一种大规模mu-mimo系统信道估计方法
CN106330284A (zh) * 2016-08-16 2017-01-11 东南大学 一种低复杂度大规模mimo信道估计方法
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

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
CHEN SUN等: "Beam Division Multiple Access Transmission for Massive MIMO Communications", 《IEEE》 *
CHONGWEN HUANG等: "Iterative Channel Estimation Using LSE and Sparse Message Passing for MmWave MIMO Systems", 《IEEE》 *
EVANGELOS VLACHOS等: "Wideband MIMO Channel Estimation for Hybrid Beamforming Millimeter Wave Systems via Random Spatial Sampling", 《IEEE》 *
HONGXIANG XIE等: "An Overview of Low-Rank Channel Estimation for Massive MIMO Systems", 《IEEE》 *
JAYESH H. KOTECHA等: "Transmit signal design for optimal estimation of correlated MIMO channels", 《IEEE》 *
NAFISEH SHARIATI等: "Low-Complexity Polynomial Channel Estimation in Large-Scale MIMO with Arbitrary Stetistics", 《IEEE》 *
PARISA A. ELIASI等: "Low-Rank Spatial Channel Estimation for Millimeter Wave Cellular Systems", 《IEEE》 *
PETROS DRINEAS等: "Relative-Error CUR Matrix Decompositions", 《ARXIV》 *
SHUSEN WANG等: "Improving CUR Matrix Decomposition and the Nystrm Approximation via Adaptive Sampling", 《JOURNAL OF MACHINE LEARNING RESEARCH》 *
WENQIAN SHEN等: "Joint CSIT Acquisition Based on Low-Rank Matrix Completion for FDD Massive MIMO Systems", 《IEEE》 *

Also Published As

Publication number Publication date
CN111865842B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
Khabbazibasmenj et al. Robust adaptive beamforming based on steering vector estimation with as little as possible prior information
CN103426437B (zh) 使用利用混合多元概率密度函数的独立分量分析的源分离
CN111193533B (zh) 大规模mimo波束域鲁棒预编码传输方法与系统
CN110710123B (zh) 大规模mimo中的主动用户选择
CN114172547B (zh) 基于智能反射面的无线携能通信混合预编码设计方法
CN109560849B (zh) 一种基于二阶锥规划的波束赋形的鲁棒性自适应算法
Ulfarsson et al. Vector $ l_0 $ Sparse Variable PCA
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
CN109951216B (zh) 一种基于码本辅助的大规模mimo doa估计方法
Wen et al. On sparse vector recovery performance in structurally orthogonal matrices via LASSO
CN111865842B (zh) 一种两阶段低复杂度Massive MIMO信道估计方法、装置及设备
Liu et al. Grant‐Free Random Access via Covariance‐Based Approach
CN117134803A (zh) 一种波束空间信道估计方法及装置
US20220374500A1 (en) Finite resolution decomposition of a matrix and matrix-vector multiplication
CN112528224B (zh) 一种矩阵特征值分解分组循环迭代流水实现方法及系统
Lin et al. Widened nested array: configuration design, optimal array and DOA estimation algorithm
CN112311489A (zh) 一种信道传输矩阵的确定方法、装置以及存储介质
CN111970086A (zh) 一种相关瑞利块衰落信道下的极化码构造方法及装置
CN113055071A (zh) 多组阵列天线的切换方法及应用该方法的电子装置
KR102230340B1 (ko) 그람-슈미트 qr 분해 기반의 다중입출력 수신기 및 그 동작 방법
CN114244460B (zh) 一种异构加速的多径信道信号实时生成方法
CN114615115B (zh) 信道脉冲响应的确定方法、装置、设备、介质和程序产品
CN114202064B (zh) 一种信源入射位置确定方法、装置及电子设备和存储介质
CN117148269A (zh) 一种基于多级维纳滤波的低计算复杂度直接位置估计方法
Wang et al. Classification and localization of mixed sources after blind calibration of unknown mutual coupling

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