CN113890794B - 一种大规模mimo信道估计方法、装置及存储介质 - Google Patents

一种大规模mimo信道估计方法、装置及存储介质 Download PDF

Info

Publication number
CN113890794B
CN113890794B CN202111055892.1A CN202111055892A CN113890794B CN 113890794 B CN113890794 B CN 113890794B CN 202111055892 A CN202111055892 A CN 202111055892A CN 113890794 B CN113890794 B CN 113890794B
Authority
CN
China
Prior art keywords
recovery matrix
time
channel estimation
matrix
recovery
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
CN202111055892.1A
Other languages
English (en)
Other versions
CN113890794A (zh
Inventor
杜翠凤
李宗�
燕宾朋
郑家兵
张英孔
江瑞宇
张振
梁晖
查中泉
胥小伟
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 Jiesai Communication Planning And Design Institute Co ltd
GCI Science and Technology Co Ltd
Original Assignee
Guangzhou Jiesai Communication Planning And Design Institute Co ltd
GCI Science and Technology Co Ltd
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 Jiesai Communication Planning And Design Institute Co ltd, GCI Science and Technology Co Ltd filed Critical Guangzhou Jiesai Communication Planning And Design Institute Co ltd
Priority to CN202111055892.1A priority Critical patent/CN113890794B/zh
Publication of CN113890794A publication Critical patent/CN113890794A/zh
Application granted granted Critical
Publication of CN113890794B publication Critical patent/CN113890794B/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
    • 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

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

本发明公开了一种大规模MIMO信道估计方法，包括：每当自适应采样周期到达时，获取当前接收信号；通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵；基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。本发明还公开了一种大规模MIMO信道估计装置及存储介质，采用本发明实施例，能够降低大规模MIMO系统的计算复杂度，提高信道估计的精度。

Description

一种大规模MIMO信道估计方法、装置及存储介质
技术领域
本发明涉及通信技术领域，尤其涉及一种大规模MIMO信道估计方法、装置及存储介质。
背景技术
目前，信道估计普遍采用导频的方法，该方法虽然简单、复杂度低，但是存在导频污染和噪音等问题。因此，很多学者采用压缩感知的方法来提高信道估计的精度，但是压缩感知的方法取决于恢复矩阵估计的精度，求解恢复矩阵需要大量的历史数据；不仅如此，等间隔放置导频也会导致病态恢复矩阵的出现，动态变化的导频信息不但会增加信道估计的复杂度，同时也会降低信道估计的精度。其次，有些学者基于信道的时间相关性来降低信道估计误差，通过有限的信道反馈来量化信道的误差，虽然该方法提升了系统信道数据解码的性能，但是频繁的反馈会消耗大量通信带宽。
发明内容
本发明实施例提供一种大规模MIMO信道估计方法、装置及存储介质，能够降低大规模MIMO系统的计算复杂度，提高信道估计的精度。
为实现上述目的，本发明实施例提供了一种大规模MIMO信道估计方法，包括：
每当自适应采样周期到达时，获取当前接收信号；
通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵；
基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；
根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；
对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。
作为上述方案的改进，所述大规模MIMO信道估计方法，还包括：
通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔。
作为上述方案的改进，所述通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔，具体为：
根据以下公式计算t时刻所述恢复矩阵的第二预测误差et：
Figure BDA0003254586610000021
其中，Zt为t时刻的恢复矩阵，
Figure BDA0003254586610000022
为t时刻的恢复矩阵的多假设预测值；
根据以下公式计算t时刻的自适应采样参数C：
C＝k/et；
其中，k为常数；
将当前时刻的自适应采样间隔作为固定采样间隔，根据以下公式调整自适应采样间隔INT0：
INT0＝C×INTa；
其中，INTa为固定采样间隔。
作为上述方案的改进，所述通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵，具体为：
通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本；
根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵。
作为上述方案的改进，所述通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本，具体为：
根据以下公式对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本：
Yt＝HtXt；
其中，Yt为t时刻的稀疏变换后的重构样本，Xt为t时刻的编码后的信号，Ht为t时刻的稀疏矩阵。
作为上述方案的改进，所述根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵，具体为：
根据以下公式对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵：
Zt＝TYt；
其中，T为预设的转换规则，Zt为t时刻的恢复矩阵。
作为上述方案的改进，所述基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差，具体为：
根据以下公式计算得到所述恢复矩阵的多假设预测值：
Figure BDA0003254586610000031
α+β＝1；
其中，
Figure BDA0003254586610000032
为t时刻的恢复矩阵的多假设预测值，Zt-1为t-1时刻的恢复矩阵，Zt+1为t+1时刻的恢复矩阵，α为第一参数变量，β为第二参数变量；
根据以下公式计算得到第一预测误差：
Figure BDA0003254586610000033
其中，
Figure BDA0003254586610000041
为t时刻的第一预测误差。
作为上述方案的改进，所述根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵，具体为：
根据所述恢复矩阵和所述恢复矩阵的多假设预测值，得到所述恢复矩阵的残差；
通过多假设预测残差重构算法对所述恢复矩阵的残差进行预测，得到所述残差的预测值；
根据所述第一预测误差和所述残差的预测值对所述残差进行重构，得到重构后的残差；
根据所述重构后的残差和所述恢复矩阵的预测值，得到重构后的恢复矩阵。
为实现上述目的，本发明实施例对应提供了一种大规模MIMO信道估计装置，包括：
接收信号获取模块，用于每当自适应采样周期到达时，获取当前接收信号；
恢复矩阵构建模块，用于通过时域稀疏性原理和预设的转换规则对编码后的信号进行变换，得到恢复矩阵；
恢复矩阵预测模块，用于基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；
恢复矩阵重构模块，用于根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；
重构信号解码模块，用于对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的大规模MIMO信道估计方法。
与现有技术相比，本发明实施例公开的MIMO信道估计方法、装置及存储介质，通过每当自适应采样周期到达时，获取当前接收信号；通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵；基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果，从而能够降低大规模MIMO系统的计算复杂度，提高信道估计的精度。
附图说明
图1是本发明一实施例提供的一种MIMO信道估计方法的流程示意图；
图2是本发明一实施例提供的一种MIMO信道估计装置的结构示意图。
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所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明一实施例提供的一种MIMO信道估计方法的流程示意图。
本发明实施例提供的MIMO信道估计方法，包括步骤：
S11、每当自适应采样周期到达时，获取当前接收信号；
S12、通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵；
S13、基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；
S14、根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；
S15、对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。
需要说明的是，步骤S11的接收信号是在编码端进行编码后的信号。
在一些更优的实施例中，所述大规模MIMO信道估计方法，还包括：
通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔。
在一个具体的实施方式中，所述通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔，具体为：
根据以下公式计算所述恢复矩阵的第二预测误差：
Figure BDA0003254586610000061
其中，et为t时刻的恢复矩阵的第二预测误差，Zt为t时刻的恢复矩阵，
Figure BDA0003254586610000062
为t时刻的恢复矩阵的多假设预测值；
根据以下公式计算t时刻的自适应采样参数C：
C＝k/et；
其中，k为常数；
将当前时刻的自适应采样间隔作为固定采样间隔，根据以下公式调整自适应采样间隔INT0：
INT0＝C×INTa；
其中，INTa为固定采样间隔。
需要说明的是，由于信道估计在不同时间段内具有不同的动态变化特征，因此，在同样的采样间隔下不同时刻的信道由于外部环境的影响，其多假设预测精度也不同，为了降低系统的计算复杂度，根据所述恢复矩阵的第二预测误差对采样间隔进行调整，当t时刻所述第二预测误差越大时，则需要使采样间隔越小，因此，将所述第二预测误差作为自适应采样参数，以自适应调整采样间隔。需要说明的是，k的取值是由实际网络情况进行选取，在本发明中不对其的具体数值进行限定。
在一个具体的实施方式中，所述步骤S12，具体为：
通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本；
根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵。
进一步地，所述通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本，具体为：
根据以下公式对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本：
Yt＝HtXt；
其中，Yt为t时刻的稀疏变换后的重构样本，Xt为t时刻的编码后的信号，Ht为t时刻的稀疏矩阵。
进一步地，所述根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵，具体为：
根据以下公式对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵：
Zt＝TYt；
其中，T为预设的转换规则，Zt为t时刻的恢复矩阵。
需要说明的是，使用稀疏变化重建恢复矩阵时，需要更加关注重建信号变换前后的特征损失问题，为了尽可能的保留样本的原始特征，信号原始特征通过稀疏变换前后的方差应该最小，以使得变换后的信号特征表示能够充分的表示原始样本的特征结构。
在一个具体的实施方式中，所述步骤S13，具体为：
^
根据以下公式计算得到t时刻所述恢复矩阵的多假设预测值Zt：
Figure BDA0003254586610000081
α+β＝1；
其中，Zt-1为t-1时刻的恢复矩阵，Zt+1为t+1时刻的恢复矩阵，α为第一参数变量，β为第二参数变量；
根据以下公式计算得到第一预测误差：
Figure BDA0003254586610000082
其中，
Figure BDA0003254586610000083
为t时刻的第一预测误差。
需要说明的是，如果对每一时刻的信号时间序列进行独立重构，会割裂信道的时间相关性，因此结合前一时刻的恢复矩阵Zt-1和后一时刻的恢复矩阵ZT+1对当前时刻的恢复矩阵Zt进行预测，得到当前时刻的恢复矩阵的多假设预测值
Figure BDA0003254586610000084
相当于增加了当前时刻恢复矩阵Zt的观测率，能够有效提升当前时刻信道恢复矩阵的重构质量。
需要说明的是，所述t时刻所述恢复矩阵的多假设预测值
Figure BDA0003254586610000085
也可以表示为/>
Figure BDA0003254586610000086
在一个具体的实施方式中，所述步骤S14，具体为：
根据所述恢复矩阵和所述恢复矩阵的多假设预测值，得到所述恢复矩阵的残差；
通过多假设预测残差重构算法对所述恢复矩阵的残差进行预测，得到所述残差的预测值；
根据所述第一预测误差和所述残差的预测值对所述残差进行重构，得到重构后的残差；
根据所述重构后的残差和所述恢复矩阵的预测值，得到重构后的恢复矩阵。
优选地，所述恢复矩阵的残差等于所述恢复矩阵与所述恢复矩阵的多假设预测值的差。
在一个优选地实施方式中，所述通过多假设预测残差重构算法对所述恢复矩阵的残差进行预测，得到所述残差的预测值，具体为：
通过加权平均的方式结合前一时刻的所述恢复矩阵的残差和后一时刻的所述恢复矩阵的残差，对当前时刻的所述恢复矩阵的残差进行预测，得到当前时刻的所述恢复矩阵的残差的预测值。
可以理解地，假设前一时刻的所述恢复矩阵的残差为
Figure BDA0003254586610000091
后一时刻的所述恢复矩阵的残差为/>
Figure BDA0003254586610000092
则当前时刻的所述恢复矩阵的残差/>
Figure BDA0003254586610000093
其中，m+n＝1。
进一步地，所述根据所述第一预测误差和所述残差的预测值对所述残差进行重构，得到重构后的残差，具体为：
根据以下公式计算得到t时刻重构后的残差
Figure BDA0003254586610000094
Figure BDA0003254586610000095
δ+ε＝1；
其中，
Figure BDA0003254586610000096
为残差的预测值，δ为第三参数变量，ε为第四参数变量。
进一步地，所述根据所述重构后的残差和所述恢复矩阵的预测值，得到重构后的恢复矩阵，具体为：
根据以下公式得到t时刻重构后的恢复矩阵
Figure BDA0003254586610000097
Figure BDA0003254586610000098
值得说明的是，本发明首先通过时域稀疏性原理实现对恢复矩阵的估计，然后利用相邻时刻同一子载波导频的时间相关性对恢复矩阵进行矫正，得到所述恢复矩阵的多假设预测值，实现了恢复矩阵从粗到细的快速优化；其次，根据所述恢复矩阵的第二预测误差调整信道估计的自适应采样间隔，能够降低系统的计算复杂度；最后，结合前一时刻的信号反馈结果和后一时刻的信号反馈结果，对当前时刻的残差进行重构，实现闭环状态下验证信道估计，提高信道估计的精度。
相应地，本发明实施例还提供了一种大规模MIMO信道估计装置，能够实现上述大规模MIMO信道估计方法的所有流程。
参见图2，是本发明一实施例提供的一种大规模MIMO信道估计装置的结构示意图。
本发明实施例提供的大规模MIMO信道估计装置，包括：
接收信号获取模块21，用于每当自适应采样周期到达时，获取当前接收信号；
恢复矩阵构建模块22，用于通过时域稀疏性原理和预设的转换规则对编码后的信号进行变换，得到恢复矩阵；
恢复矩阵预测模块23，用于基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；
恢复矩阵重构模块24，用于根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；
重构信号解码模块25，用于对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。
在一些优选的实施方式中，所述大规模MIMO信道估计装置，还包括：
自适应采样模块，用于通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔。
进一步地，所述自适应采样模块，具体用于：
根据以下公式计算所述恢复矩阵的第二预测误差：
Figure BDA0003254586610000101
其中，et为t时刻的恢复矩阵的第二预测误差，Zt为t时刻的恢复矩阵，
Figure BDA0003254586610000102
为t时刻的恢复矩阵的多假设预测值；
根据以下公式计算t时刻的自适应采样参数C：
C＝k/et；
其中，k为常数；
将当前时刻的自适应采样间隔作为固定采样间隔，根据以下公式调整自适应采样间隔INT0：
INT0＝C×INTa；
其中，INTa为固定采样间隔。
在一些可选地实施方式中，所述恢复矩阵构建模块22，包括：
稀疏变换单元，用于通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本；
矢量化单元，用于根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵。
具体地，所述稀疏变换单元，具体用于：
根据以下公式对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本：
Yt＝HtXt；
其中，Yt为t时刻的稀疏变换后的重构样本，Xt为t时刻的编码后的信号，Ht为t时刻的稀疏矩阵。
进一步地，所述矢量化单元，具体用于：
根据以下公式对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵：
Zt＝TYt；
其中，T为预设的转换规则，Zt为t时刻的恢复矩阵。
在一优选地实施方式中，所述恢复矩阵预测模块23，具体用于：
根据以下公式计算得到所述恢复矩阵的多假设预测值：
Figure BDA0003254586610000111
α+β＝1；
其中，
Figure BDA0003254586610000121
为t时刻的恢复矩阵的多假设预测值，Zt-1为t-1时刻的恢复矩阵，Zt+1为t+1时刻的恢复矩阵，α为第一参数变量，β为第二参数变量；
根据以下公式计算得到第一预测误差：
Figure BDA0003254586610000122
其中，
Figure BDA0003254586610000123
为t时刻的第一预测误差。
在一个具体地实施方式中，所述恢复矩阵重构模块24，包括：
残差预测单元，用于通过多假设预测残差重构算法对所述恢复矩阵的残差进行预测，得到所述残差的预测值；
残差重构单元，用于根据所述第一预测误差和所述残差的预测值对所述残差进行重构，得到重构后的残差；
矩阵重构单元，用于根据所述重构后的残差和所述恢复矩阵的预测值，得到重构后的恢复矩阵。
需要说明的是，本实施例的大规模MIMO信道估计装置的各实施例的相关具体描述和有益效果可以参考上述的大规模MIMO信道估计方法的各实施例的相关具体描述和有益效果，在此不再赘述。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应地，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的大规模MIMO信道估计方法。
综上，本发明实施例所提供的一种大规模MIMO信道估计方法、装置及计算机可读存储介质，由于每当自适应采样周期到达时，获取当前接收信号；通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵；基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果，从而能够降低大规模MIMO系统的计算复杂度，提高信道估计的精度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种大规模MIMO信道估计方法，其特征在于，包括：
每当自适应采样周期到达时，获取当前接收信号；
通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵；
基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；
根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；
对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。
2.如权利要求1所述的大规模MIMO信道估计方法，其特征在于，所述大规模MIMO信道估计方法，还包括：
通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔。
3.如权利要求2所述的大规模MIMO信道估计方法，其特征在于，所述通过所述恢复矩阵和所述恢复矩阵的多假设预测值计算所述恢复矩阵的第二预测误差，根据所述恢复矩阵的第二预测误差调整自适应采样间隔，具体为：
根据以下公式计算t时刻所述恢复矩阵的第二预测误差et：
Figure FDA0003254586600000011
其中，Zt为t时刻的恢复矩阵，
Figure FDA0003254586600000012
为t时刻的恢复矩阵的多假设预测值；
根据以下公式计算t时刻的自适应采样参数C：
C＝k/et；
其中，k为常数；
将当前时刻的自适应采样间隔作为固定采样间隔，根据以下公式调整自适应采样间隔INT0：
INT0＝C×INTa；
其中，INTa为固定采样间隔。
4.如权利要求1所述的大规模MIMO信道估计方法，其特征在于，所述通过时域稀疏性原理和预设的转换规则对所述当前接收信号进行变换，得到恢复矩阵，具体为：
通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本；
根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵。
5.如权利要求4所述的大规模MIMO信道估计方法，其特征在于，所述通过时域稀疏性原理对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本，具体为：
根据以下公式对所述当前接收信号进行稀疏变换，得到稀疏变换后的重构样本：
Yt＝HtXt；
其中，Yt为t时刻的稀疏变换后的重构样本，Xt为t时刻的编码后的信号，Ht为t时刻的稀疏矩阵。
6.如权利要求5所述的大规模MIMO信道估计方法，其特征在于，所述根据预设的转换规则对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵，具体为：
根据以下公式对所述稀疏变换后的重构样本进行矢量化，得到恢复矩阵：
Zt＝TYt；
其中，T为预设的转换规则，Zt为t时刻的恢复矩阵。
7.如权利要求1所述的大规模MIMO信道估计方法，其特征在于，所述基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差，具体为：
根据以下公式计算得到所述恢复矩阵的多假设预测值：
Figure FDA0003254586600000031
α+β＝1；
其中，
Figure FDA0003254586600000032
为t时刻的恢复矩阵的多假设预测值，Zt-1为t-1时刻的恢复矩阵，Zt+1为t+1时刻的恢复矩阵，α为第一参数变量，β为第二参数变量；
根据以下公式计算得到第一预测误差：
Figure FDA0003254586600000033
其中，
Figure FDA0003254586600000034
为t时刻的第一预测误差。
8.如权利要求1所述的大规模MIMO信道估计方法，其特征在于，所述根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵，具体为：
根据所述恢复矩阵和所述恢复矩阵的多假设预测值，得到所述恢复矩阵的残差；
通过多假设预测残差重构算法对所述恢复矩阵的残差进行预测，得到所述残差的预测值；
根据所述第一预测误差和所述残差的预测值对所述残差进行重构，得到重构后的残差；
根据所述重构后的残差和所述恢复矩阵的预测值，得到重构后的恢复矩阵。
9.一种大规模MIMO信道估计装置，其特征在于，包括：
接收信号获取模块，用于每当自适应采样周期到达时，获取当前接收信号；
恢复矩阵构建模块，用于通过时域稀疏性原理和预设的转换规则对编码后的信号进行变换，得到恢复矩阵；
恢复矩阵预测模块，用于基于相邻时刻同一子载波导频的时间相关性对所述恢复矩阵进行预测，得到所述恢复矩阵的多假设预测值和第一预测误差；
恢复矩阵重构模块，用于根据多假设预测残差重构算法、所述恢复矩阵的多假设预测值和所述第一预测误差，得到重构后的恢复矩阵；
重构信号解码模块，用于对所述重构后的恢复矩阵进行解码恢复，得到信道估计结果。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的大规模MIMO信道估计方法。
CN202111055892.1A 2021-09-09 2021-09-09 一种大规模mimo信道估计方法、装置及存储介质 Active CN113890794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111055892.1A CN113890794B (zh) 2021-09-09 2021-09-09 一种大规模mimo信道估计方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111055892.1A CN113890794B (zh) 2021-09-09 2021-09-09 一种大规模mimo信道估计方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN113890794A CN113890794A (zh) 2022-01-04
CN113890794B true CN113890794B (zh) 2023-06-27

Family

ID=79008944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111055892.1A Active CN113890794B (zh) 2021-09-09 2021-09-09 一种大规模mimo信道估计方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113890794B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104836760A (zh) * 2015-05-28 2015-08-12 北京国电通网络技术有限公司 一种信道估计方法及装置
WO2020034394A1 (zh) * 2018-08-13 2020-02-20 南京邮电大学 基于压缩感知的大规模mimo信道反馈重构算法
CN112543339A (zh) * 2020-12-09 2021-03-23 广州杰赛科技股份有限公司 一种基于残差重构的视频仿真方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104836760A (zh) * 2015-05-28 2015-08-12 北京国电通网络技术有限公司 一种信道估计方法及装置
WO2020034394A1 (zh) * 2018-08-13 2020-02-20 南京邮电大学 基于压缩感知的大规模mimo信道反馈重构算法
CN112543339A (zh) * 2020-12-09 2021-03-23 广州杰赛科技股份有限公司 一种基于残差重构的视频仿真方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
安文 ; 刘昆 ; 王杰 ; .基于自适应采样的多假设预测残差重构算法研究.自动化学报.2017,(12),第2190-2201页. *

Also Published As

Publication number Publication date
CN113890794A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN110350958B (zh) 一种基于神经网络的大规模mimo的csi多倍率压缩反馈方法
US9294113B2 (en) Energy-efficient time-stampless adaptive nonuniform sampling
CN102984711A (zh) 基于单比特压缩感知技术的多用户协作频谱感知方法
CN1175599C (zh) 正交频分复用信号的矢量均衡装置与方法
CN111817757A (zh) 一种用于mimo无线通信系统的信道预测方法及系统
US20120114341A1 (en) System and method for frequency-domain chromatic dispersion and polarization mode dispersion compensation with time-domain channel estimation
CN110995379B (zh) 一种面向ofdm无线通信系统的信道预测系统及方法
CN102629371A (zh) 基于实时盲图像复原技术的视频像质改善系统
CN114362855A (zh) 一种基于lstm的信道状态预测方法及系统
US8165231B2 (en) Wireless communications apparatus
CN106027431A (zh) 一种信道估计方法
CN113890794B (zh) 一种大规模mimo信道估计方法、装置及存储介质
CN112543339B (zh) 一种基于残差重构的视频仿真方法及装置
CN113129911A (zh) 一种音频信号编码压缩和传输的方法及电子设备
Yarotsky et al. Machine learning-assisted channel estimation in massive MIMO receiver
Shawky et al. Efficient compression and reconstruction of speech signals using compressed sensing
CN114978818B (zh) 一种基于压缩感知的自适应信道估计方法及估计系统
CN114245117B (zh) 多采样率复用重建网络方法、装置、设备及存储介质
CN115866252A (zh) 一种图像压缩方法、装置、设备及存储介质
CN108093266A (zh) 利用组归一化稀疏表示的图像压缩感知重构系统及其方法
CN113037406B (zh) 一种时频特性提取及压缩感知融合的高效协作频谱感知方法
CN114244675A (zh) 一种基于深度学习的mimo-ofdm系统信道估计方法
CN113711496A (zh) 削波信号的重构
Chen et al. A novel matrix optimization for compressive sampling-based sub-Nyquist OFDM receiver in cognitive radio
CN101223780A (zh) 减少编码器和解码器之间的不匹配的视频编码方法和设备

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