CN113517941B - 一种大规模mimo系统信道估计与迭代检测仿真方法和系统 - Google Patents

一种大规模mimo系统信道估计与迭代检测仿真方法和系统 Download PDF

Info

Publication number
CN113517941B
CN113517941B CN202110760607.XA CN202110760607A CN113517941B CN 113517941 B CN113517941 B CN 113517941B CN 202110760607 A CN202110760607 A CN 202110760607A CN 113517941 B CN113517941 B CN 113517941B
Authority
CN
China
Prior art keywords
algorithm
channel estimation
detection
data set
downlink
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
CN202110760607.XA
Other languages
English (en)
Other versions
CN113517941A (zh
Inventor
侯书丹
张海嘉
曾祥柏
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.)
Guangzhou Institute of Technology of Xidian University
Original Assignee
Guangzhou Institute of Technology of Xidian 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 Guangzhou Institute of Technology of Xidian University filed Critical Guangzhou Institute of Technology of Xidian University
Priority to CN202110760607.XA priority Critical patent/CN113517941B/zh
Publication of CN113517941A publication Critical patent/CN113517941A/zh
Application granted granted Critical
Publication of CN113517941B publication Critical patent/CN113517941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明提供了一种大规模MIMO系统信道估计与迭代检测仿真方法和系统，设置系统的基本参数，在基站端进行上行链路估计；选择检测算法计算信号估计值，计算用户发射信号；仿真分析并将符合设定条件的检测算法添加至检测算法数据集；从信道估计算法库中选择信道估计算法，执行下行链路估计，确定用户接收信号；进行仿真分析，将符合设定条件的信道估计算法添加至信道估计算法数据集中；分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立上行用户‑基站‑下行用户信号传输方案，对该方案进行仿真分析并记录。本发明融合检测算法和信道估计算法，为大规模MIMO系统提供良好的数据性能，同时也对二者的组合性能进行仿真验证。

Description

一种大规模MIMO系统信道估计与迭代检测仿真方法和系统
技术领域
本发明涉及通信技术领域，特别是涉及一种大规模MIMO系统信道估计与迭代检测仿真方法和系统。
背景技术
自从2010年美国贝尔实验室的科研人员提出Massive MIMO技术后，该技术优秀的通信性能就备受关注。科研人员发现，在通信小区的基站收发天线数量越来越多时，噪声和信道衰弱对信号的影响将越来越弱，通信系统的传输速率也将进一步的提升。该技术的发现，很快应用于前沿无线移动通信系统。例如，当前5G通信系统的核心技术之一就是大规模的多收多发技术。
瑞典、美国等通信技术强国，都对Massive MIMO技术进行了深入的广泛研究。特别在大规模MIMO系统的信号检测，信道估计及波束成型等关键技术形成了一套成熟的技术理论。目前，国外发表了很多关于Massive MIMO技术的综合性文章，内容包括该技术的前景和技术难题，特别在信号检测，信道估计，信号污染及编解码技术等方面都取得了较深的研究成果。我国作为5G无线通信的领军国家，在Massive MIMO技术的研究上也取得了多项突破，并在该技术的应用上，取得了一定的成绩。
当前，许多性能优异的检测算法广泛应用于Massive MIMO系统的信号检测，这些众多高效的信号检测算法有很多种类。硬判决方面，性能较优的有最大似然(MaximumLikelihood，ML)算法，不过其计算复杂度极大。在实际应用中，因为ML算法的缺点，很难应用于现实通信系统，目前仅存于理论应用。线性检测里，迫零(Zero Forcing，ZF)检测算法，能消除天线阵列中信号分量的干扰信息。但检测时放大了噪声的影响。因此，该算法很难应用于信噪比低的通信环境。最小均方误差(Minimum Mean Square Error，MMSE)检测算法是ZF检测算法的改进，在ZF算法上消除了噪声，效果得到了提升，性能比ZF算法较好。非线性检测方面，串行干扰消除(Successive Interfere Cancellation，SIC)算法，最早由美国贝尔实验室提出。其算法每次检测选择一路信号，接收的信息都消除选择的信号检测出的干扰信号，如此消除信号干扰，性能较高。SIC算法不足是检测之间相互影响，可能导致错误累积传播。为弥补这一不足，其改进型算法，在检测前进行排序，因此衍生出了排序串行干扰消除(Ordering Successive Interfere Cancellation，OSIC)检测算法等改进算法。总体上，ML算法的检测性能优于其他算法，因此ML算法的深层改进算法层出不穷。根据ML检测原理改进，主要提出了球形译码(Sphere Decoding，SD)算法[9]，其不断在给定球体内发射信矢量调整球体半径找到ML解向量的方法，相比ML算法说，实现难度下降了很多，但是SD算法不足是需要较好的信噪比通信环境。虽然SD算法有如此缺点，但是其性能的优越，仍然得到众多学者的垂青。目前，众多的SD算法的改进也相继被提出。枚举设计、信道预处理和给定球体等多方面对SD算法进行升级改进降低其计算复杂度。
Massive MIMO信息检测技术的重点是进行复杂性和准确性方面的研究。努力在这两个标准的要求之下，寻找出一种最佳的检测方法。随着5G通信的发展，作为5G通信的核心技术，相信未来有更多高效检测算法应用于Massive MIMO系统信号检测。
从传统的MIMO到目前收到广泛研究的Massive MIMO技术，基本上都是在假设信道状态已知的通信环境中。现实应用算法中，应该进一步融合信号估计处理方法，精确的计算出信道矩阵，以便为检测算法提供良好的数据性能，有必要对检测算法和信道估计算法之间的组合性能进行进一步判断。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种大规模MIMO系统信道估计与迭代检测仿真方法和系统，融合检测算法和信道估计算法，为大规模MIMO系统提供良好的数据性能，同时也对二者的组合性能进行仿真验证。
为了达到上述目的，本发明所采用的具体技术方案如下：
一种大规模MIMO系统信道估计与迭代检测仿真方法，具体包括以下步骤：
S1，设基站的天线数为N，用户数为k；
S2，Massive MIMO系统采用FDD模式，k个用户发送不同的导频序列至基站，在基站端进行上行链路估计；
S3，建立上行链路的信道模型，从检测算法库中选择检测算法计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号，进行仿真分析；
S4，若仿真分析的结果符合设定条件，则将该检测算法添加至检测算法数据集中，重复步骤S3直至完成所有检测算法；
S5，根据无线信道的稀疏性和空间相关性，从信道估计算法库中选择信道估计算法，执行下行链路估计；
S6，建立下行链路的信道模型，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号，进行仿真分析；
S7，若仿真分析的结果符合设定条件，则将该信道估计算法添加至信道估计算法数据集中，重复步骤S5直至完成所有信道估计算法；
S8，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
优选的，步骤S3中检测算法库中包含的检测算法包括但不限于SDGS算法、改进LLR的SDGS算法、改进的CGDJ算法、MRC算法、Neumann级数算法、DJ算法和CG算法。
优选的，步骤S5中信道估计算法库中包括但不限于基于压缩感知的信道估计算法、基于改进的压缩感知的信道估计算法、基于深度学习的信道估计算法、基于卷积神经网络的信道估计算法、基于矩阵完备理论的信道估计算法、基于张量完整化的信道估计算法。
优选的，步骤S8具体包括以下步骤：
S801，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立单小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录；
S802，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立多小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
一种大规模MIMO系统信道估计与迭代检测仿真系统，包括
系统设定模块，设定大规模MIMO系统的基站的天线数，用户数以及工作模式；
上行链路估计模块，用于根据大规模MIMO系统的工作模式执行上行链路估计，用户发送不同的导频序列至基站，在基站端进行上行链路估计；
上行链路检测及仿真模块，建立上行链路的信道模型，从检测算法库中选择检测算法计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号；进行仿真分析，将符合设定条件的检测算法添加至检测算法数据集中；
下行链路估计模块，用于根据无线信道的稀疏性和空间相关性，从信道估计算法库中选择信道估计算法，执行下行链路估计；
下行链路检测及仿真模块，建立下行链路的信道模型，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号；进行仿真分析，将符合设定条件的信道估计算法添加至信道估计算法数据集中；
系统仿真模块，用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
优选的，检测算法库中包含的检测算法包括但不限于SDGS算法、改进LLR的SDGS算法、改进的CGDJ算法、MRC算法、Neumann级数算法、DJ算法和CG算法。
优选的，信道估计算法库中包括但不限于基于压缩感知的信道估计算法、基于改进的压缩感知的信道估计算法、基于深度学习的信道估计算法、基于卷积神经网络的信道估计算法、基于矩阵完备理论的信道估计算法、基于张量完整化的信道估计算法。
优选的，所述系统仿真模块用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录具体包括
所述系统仿真模块用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立单小区模型和/或多小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
本发明的有益效果在于：融合检测算法和信道估计算法，为大规模MIMO系统提供良好的数据性能，同时也对二者的组合性能进行仿真验证。
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是本发明一种大规模MIMO系统信道估计与迭代检测仿真方法的流程图；
图2是实施例一相关系数分别0.5和0.7时不同检测算法的BER比较示意图；
图3是实施例二16*64天线阵列下不同检测算法软判决的性能比较示意图；
图4是实施例二16*128天线阵列下不同检测算法软判决的性能比较示意图；
图5是本发明一种大规模MIMO系统信道估计与迭代检测仿真系统的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“竖直”、“上”、“下”、“水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提出了一种大规模MIMO系统信道估计与迭代检测仿真方法，具体包括以下步骤：
S1，设基站的天线数为N，用户数为k；
S2，Massive MIMO系统采用FDD模式，k个用户发送不同的导频序列至基站，在基站端进行上行链路估计；
S3，建立上行链路的信道模型，从检测算法库中选择检测算法计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号，进行仿真分析；
S4，若仿真分析的结果符合设定条件，则将该检测算法添加至检测算法数据集中，重复步骤S3直至完成所有检测算法；
S5，根据无线信道的稀疏性和空间相关性，从信道估计算法库中选择信道估计算法，执行下行链路估计；
S6，建立下行链路的信道模型，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号，进行仿真分析；
S7，若仿真分析的结果符合设定条件，则将该信道估计算法添加至信道估计算法数据集中，重复步骤S5直至完成所有信道估计算法；
S8，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
优选的，步骤S3中检测算法库中包含的检测算法包括但不限于SDGS算法、改进LLR的SDGS算法、改进的CGDJ算法、MRC算法、Neumann级数算法、DJ算法和CG算法。
在具体实施过程中，检测算法库从网络获取Massive MIMO系统常用的检测算法，记录每个检测算法的名称、原理、信噪比、仿真分析、复杂度作为关键词，然后由技术人员对各个检测算法的关键词进行核对和校验，并补充检测算法库中未收录的检测算法以及自定义检测算法；比如Massive MIMO系统常用的线性检测算法(迫零检测算法、最小均方误差检测算法)和非线性检测算法(QR分解检测算法、SD检测算法)，对Massive MIMO系统常用的检测算法进行扩展，又会生成基于Neumann级数展开的MMSE检测、基于迭代MMSE检测算法(基于Richardson迭代的MMSE算法、基于Gauss-Seidel的MMSE算法、基于Jacobi迭代的MMSE算法)等。
具体的，步骤S3具体包括以下步骤：
S301，建立上行链路的信道模型，从检测算法库中选择检测算法，判断检测算法库中是否已存在针对该信道模型的仿真分析结果，若是直接执行步骤S4，否则执行步骤S302；
S302，计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号，进行仿真分析，将仿真分析结果存储至检测算法库。
步骤S301中建立上行链路的信道模型的过程中需要确认Massive MIMO系统的约束条件，包括但不限于天线和PAS、AOA参数以及各阵列天线之间的间距D、相关参数ξ，ξ在分布矩阵中，
Figure BDA0003149595350000061
步骤S4中的设定条件则根据约束条件对仿真分析结果进行限定。
以下进行举例说明：
实施例一
如图2所示，若检测算法库中选择改进LLR的SDGS算法，且不存在对应的仿真分析结果，则执行以下步骤：
1、假定自动输入自动接收数据信号是y，数字信道分布矩阵是H，迭代计算数目设立是m。
2、运算匹配对应滤波控制器设备自动输出是
Figure BDA0003149595350000062
与滤波分布矩阵是W＝HHH+σ2IK。
3、混合迭代计算运算，SD运算方法第1次的迭代计算x(1)＝x(0)+ur(0)；GS算法第二次的迭代x(2)＝x(1)+(D+L)-1r1；合并计算可以得：x(2)＝x(0)+ur(0)+(D+L)-1(r(0)-up(0))；
4、把x2作为第1次GS迭代处理计算调整最终结果带入式
Figure BDA0003149595350000071
展开紧接着m-1次GS迭代处理计算调整；
5、参考依据迭代处理计算调整数目运算处理
Figure BDA0003149595350000072
近似等效信道增益/>
Figure BDA0003149595350000073
和干扰项方差/>
Figure BDA0003149595350000074
6、参考依据运算处理公式
Figure BDA0003149595350000075
运算处理与之对应于第i个客户所发送传输的第b个比特的对数似然比Li,b。
7、自动传输操控步骤4获取的迭代处理计算调整最终结果
Figure BDA0003149595350000076
展开软判决运算处理，软判决里的对数似然比是操控步骤6里获取的Li,b，判决后可运算处理出最后发送传输数字信号的预计数据。
8、仿真模拟系数：根据MATLAB仿真模拟，思考MassiveMIMO系统的上行链路，在自动接收端，数据信号解码模式为Viterbi解码，数字信道编译码判决模式为软判决。
9、将ξ＝0.5，迭代次数t∈(2,3,4)对应的BER、SNR参数存储至检测算法库，将ξ＝0.7，迭代次数t∈(4,5,6)对应的BER、SNR参数存储至检测算法库。
实施例二
如图3和图4所示，若选择改进的CGDJ算法且不存在对应的仿真分析结果，则执行以下步骤：
1)计算信号估计值，
Figure BDA0003149595350000077
2)计算改进的CGDJ算法的对数似然比，第n个用户的发送信号是Xn＝μnXn+Zn，避免矩阵求逆用W-1代替D-1。
Figure BDA0003149595350000081
U＝D-1GD-1。可以得到第n个用户的噪声加干扰项
Figure BDA0003149595350000082
和第n个用户的第b位的LLR：
Figure BDA0003149595350000083
其中，当第b位分别为0和1时，/>
Figure BDA0003149595350000084
和/>
Figure BDA0003149595350000085
表示所有星座调制符号。
3)仿真分析，将传输信道设置为快速衰落瑞利信道，信道噪声是独立且分布均匀的加性高斯白噪声，基带信号调制模式为16QAM。i代表迭代次数，天线比例选择为16×64及16×128两种类型。
4)将系统误码率设置为1/2，将决策模式设置为软决策。从仿真效果可以看出，软判决的检测性能明显优于硬判决的检测性能。例如，当天线规模为16×64且SNR＝0时，与硬判决的检测性能相比，软判决的检测性能明显提高。BER在硬判决中大于10-1，在软判决条件下小于10-1。此外，当BER达到10-4时，该改进算法的信噪比在软判决条件下仅为7dB，而在硬判决情况下为11dB。
优选的，步骤S5中信道估计算法库中包括但不限于基于压缩感知的信道估计算法、基于改进的压缩感知的信道估计算法、基于深度学习的信道估计算法、基于卷积神经网络的信道估计算法、基于矩阵完备理论的信道估计算法、基于张量完整化的信道估计算法。
在具体实施过程中，信道估计算法库从网络获取Massive MIMO系统常用的信道估计算法，记录每个信道估计算法的名称、原理、信噪比、仿真分析作为关键词，然后由技术人员对各个信道估计算法的关键词进行核对和校验，并补充信道估计算法库中未收录的信道估计算法以及自定义信道估计算法；
步骤S6具体包括以下步骤
S601，建立下行链路的信道模型，判断信道估计算法库中是否已存在针对该信道模型的仿真分析结果，若是直接执行步骤S7，否则执行步骤S602；
S602，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号，进行仿真分析，将仿真分析结果存储至信道估计算法库。
优选的，步骤S8具体包括以下步骤：
S801，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立单小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录；
S802，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立多小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
如图5所示，本发明还提出了一种大规模MIMO系统信道估计与迭代检测仿真系统，包括
系统设定模块，设定大规模MIMO系统的基站的天线数，用户数以及工作模式；
上行链路估计模块，用于根据大规模MIMO系统的工作模式执行上行链路估计，用户发送不同的导频序列至基站，在基站端进行上行链路估计；
上行链路检测及仿真模块，建立上行链路的信道模型，从检测算法库中选择检测算法计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号；进行仿真分析，将符合设定条件的检测算法添加至检测算法数据集中；
下行链路估计模块，用于根据无线信道的稀疏性和空间相关性，从信道估计算法库中选择信道估计算法，执行下行链路估计；
下行链路检测及仿真模块，建立下行链路的信道模型，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号；进行仿真分析，将符合设定条件的信道估计算法添加至信道估计算法数据集中；
系统仿真模块，用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
优选的，检测算法库中包含的检测算法包括但不限于SDGS算法、改进LLR的SDGS算法、改进的CGDJ算法、MRC算法、Neumann级数算法、DJ算法和CG算法。
优选的，信道估计算法库中包括但不限于基于压缩感知的信道估计算法、基于改进的压缩感知的信道估计算法、基于深度学习的信道估计算法、基于卷积神经网络的信道估计算法、基于矩阵完备理论的信道估计算法、基于张量完整化的信道估计算法。
优选的，所述系统仿真模块用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录具体包括
所述系统仿真模块用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立单小区模型和/或多小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
本发明的有益效果在于：融合检测算法和信道估计算法，为大规模MIMO系统提供良好的数据性能，同时也对二者的组合性能进行仿真验证。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，本领域技术人员完全可以在不偏离本发明技术思想的范围内，进行多样的变更以及修改。本发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求书范围来确定其技术性范围。

Claims (6)

1.一种大规模MIMO系统信道估计与迭代检测仿真方法，其特征在于，具体包括以下步骤：
S1，设基站的天线数为N，用户数为k；
S2，Massive MIMO系统采用FDD模式，k个用户发送不同的导频序列至基站，在基站端进行上行链路估计；
S3，建立上行链路的信道模型，从检测算法库中选择检测算法计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号，进行仿真分析；
S4，若仿真分析的结果符合设定条件，则将该检测算法添加至检测算法数据集中，重复步骤S3直至完成所有检测算法；
S5，根据无线信道的稀疏性和空间相关性，从信道估计算法库中选择信道估计算法，执行下行链路估计；
S6，建立下行链路的信道模型，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号，进行仿真分析；
S7，若仿真分析的结果符合设定条件，则将该信道估计算法添加至信道估计算法数据集中，重复步骤S5直至完成所有信道估计算法；
S8，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录；
步骤S8具体包括以下步骤：
S801，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立单小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录；
S802，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立多小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
2.根据权利要求1所述的一种大规模MIMO系统信道估计与迭代检测仿真方法，其特征在于，步骤S3中检测算法库中包含的检测算法包括SDGS算法、改进LLR的SDGS算法、改进的CGDJ算法、MRC算法、Neumann级数算法、DJ算法和CG算法。
3.根据权利要求1所述的一种大规模MIMO系统信道估计与迭代检测仿真方法，其特征在于，步骤S5中信道估计算法库中包括基于压缩感知的信道估计算法、基于改进的压缩感知的信道估计算法、基于深度学习的信道估计算法、基于卷积神经网络的信道估计算法、基于矩阵完备理论的信道估计算法、基于张量完整化的信道估计算法。
4.一种大规模MIMO系统信道估计与迭代检测仿真系统，其特征在于，包括
系统设定模块，设定大规模MIMO系统的基站的天线数，用户数以及工作模式；
上行链路估计模块，用于根据大规模MIMO系统的工作模式执行上行链路估计，用户发送不同的导频序列至基站，在基站端进行上行链路估计；
上行链路检测及仿真模块，建立上行链路的信道模型，从检测算法库中选择检测算法计算信号估计值，得到对应的对数似然比，将对数似然比信息解码后获得用户发射信号；进行仿真分析，将符合设定条件的检测算法添加至检测算法数据集中；
下行链路估计模块，用于根据无线信道的稀疏性和空间相关性，从信道估计算法库中选择信道估计算法，执行下行链路估计；
下行链路检测及仿真模块，建立下行链路的信道模型，根据下行链路估计信息配置数字预编码矩阵，确定用户接收信号；进行仿真分析，将符合设定条件的信道估计算法添加至信道估计算法数据集中；
系统仿真模块，用于从迭代检测算法数据集和信道估计算法数据集中获取算法，建立上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录；
所述系统仿真模块的工作步骤主要包括：
首先，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立单小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录；
其次，分别从迭代检测算法数据集和信道估计算法数据集中输出算法，建立多小区模型的上行用户-基站-下行用户信号传输方案，对该方案进行仿真分析并记录。
5.根据权利要求4所述的一种大规模MIMO系统信道估计与迭代检测仿真系统，其特征在于，检测算法库中包含的检测算法包括SDGS算法、改进LLR的SDGS算法、改进的CGDJ算法、MRC算法、Neumann级数算法、DJ算法和CG算法。
6.根据权利要求4所述的一种大规模MIMO系统信道估计与迭代检测仿真系统，其特征在于，信道估计算法库中包括基于压缩感知的信道估计算法、基于改进的压缩感知的信道估计算法、基于深度学习的信道估计算法、基于卷积神经网络的信道估计算法、基于矩阵完备理论的信道估计算法、基于张量完整化的信道估计算法。
CN202110760607.XA 2021-07-06 2021-07-06 一种大规模mimo系统信道估计与迭代检测仿真方法和系统 Active CN113517941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110760607.XA CN113517941B (zh) 2021-07-06 2021-07-06 一种大规模mimo系统信道估计与迭代检测仿真方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110760607.XA CN113517941B (zh) 2021-07-06 2021-07-06 一种大规模mimo系统信道估计与迭代检测仿真方法和系统

Publications (2)

Publication Number Publication Date
CN113517941A CN113517941A (zh) 2021-10-19
CN113517941B true CN113517941B (zh) 2023-03-24

Family

ID=78066609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110760607.XA Active CN113517941B (zh) 2021-07-06 2021-07-06 一种大规模mimo系统信道估计与迭代检测仿真方法和系统

Country Status (1)

Country Link
CN (1) CN113517941B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114337746A (zh) * 2022-01-07 2022-04-12 重庆邮电大学 一种基于深度学习的大规模mimo信号检测方法
CN115694571A (zh) * 2022-10-31 2023-02-03 西安科技大学 一种大规模mimo系统中基于深度学习的信号检测方法和装置
CN116264704B (zh) * 2023-05-08 2023-09-08 深圳大学 基于信道感知和强化学习的低功耗广域网通感融合方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809870A (zh) * 2018-05-08 2018-11-13 南京邮电大学 大规模mimo中的信道互易性补偿方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104618061B (zh) * 2015-01-29 2017-11-28 清华大学 一种大规模多天线系统中多用户信号的检测方法
CN108365874B (zh) * 2018-02-08 2021-03-30 电子科技大学 基于fdd大规模mimo贝叶斯压缩感知信道估计方法
CN108650056B (zh) * 2018-04-04 2021-08-03 南京邮电大学 一种大规模mimo系统上行链路中的混合迭代检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108809870A (zh) * 2018-05-08 2018-11-13 南京邮电大学 大规模mimo中的信道互易性补偿方法

Also Published As

Publication number Publication date
CN113517941A (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
CN113517941B (zh) 一种大规模mimo系统信道估计与迭代检测仿真方法和系统
CN107332598B (zh) 一种基于深度学习的mimo系统联合预编码和天线选择方法
CN105915477B (zh) 基于gs方法的大规模mimo检测方法及硬件架构
Xie et al. Low-complexity LSQR-based linear precoding for massive MIMO systems
CN107086971A (zh) 一种适用于多种天线配置的大规模mimo软检测方法
CN106357309A (zh) 基于非理想信道下大规模mimo线性迭代检测方法
CN108736934B (zh) 一种大规模mimo系统信号检测方法
Wang et al. Stochastic gradient algorithms for design of minimum error-rate linear dispersion codes in MIMO wireless systems
Jang et al. Combined deep learning and SOR detection technique for high reliability in massive MIMO systems
CN101355377A (zh) 一种多输入多输出v-balst系统信号检测方法
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
CN106357318B (zh) 收敛速率可调的大规模mimo迭代检测方法
CN113271124B (zh) 一种应用于大规模mimo系统的混合迭代检测方法
CN107196686A (zh) 一种带有预处理操作的大规模mimo系统信号检测方法
Seidel et al. Low-complexity 2-coordinates descent for near-optimal MMSE soft-output massive MIMO uplink data detection
CN113556159A (zh) 一种大规模mimo多用户系统的信道反馈方法
CN109274613B (zh) 一种信道估计方法、系统及存储介质
Li et al. Double full diversity space time block code for massive MIMO system
CN113271123B (zh) 一种新型计算信道解码的llr近似值的方法和系统
Kim et al. An energy-efficient multiple-input multiple-output (MIMO) detector architecture
Yu et al. Efficient SOR based massive MIMO detection using Chebyshev acceleration
Almasadeh et al. Enhanced deep learning for massive MIMO detection using approximate matrix inversion
US8767896B2 (en) Methods and apparatus for MIMO detection
Chen et al. Reduced complexity ML detection algorithm for V-BLAST architectures
CN108234010B (zh) 一种低复杂度的信号检测算法

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