CN115002929A - 一种基于前导和到达角联合估计的活跃用户检测方法 - Google Patents

一种基于前导和到达角联合估计的活跃用户检测方法 Download PDF

Info

Publication number
CN115002929A
CN115002929A CN202210528522.3A CN202210528522A CN115002929A CN 115002929 A CN115002929 A CN 115002929A CN 202210528522 A CN202210528522 A CN 202210528522A CN 115002929 A CN115002929 A CN 115002929A
Authority
CN
China
Prior art keywords
preamble
estimation
signal
sequence
arrival
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
CN202210528522.3A
Other languages
English (en)
Other versions
CN115002929B (zh
Inventor
汤小波
郝莉
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210528522.3A priority Critical patent/CN115002929B/zh
Priority claimed from CN202210528522.3A external-priority patent/CN115002929B/zh
Publication of CN115002929A publication Critical patent/CN115002929A/zh
Application granted granted Critical
Publication of CN115002929B publication Critical patent/CN115002929B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/08—Non-scheduled access, e.g. ALOHA
    • H04W74/0833—Random access procedures, e.g. with 4-step access
    • H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
    • H04W74/0858—Random access procedures, e.g. with 4-step access with collision treatment collision detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术随机接入领域，公开了一种基于前导和到达角联合估计的活跃用户检测方法，该方法为：首先利用前向连续均值消除算法对阵列天线中由参考天线接收到的接收信号进行前导检测；然后基于前导序列的检测结果，对均匀线性阵列天线的接收信号按所检测到的前导序列进行聚类，得出所有使用对应前导序列的用户的聚类信号；最后，将各前导聚类信号构建为对应的Hankel矩阵，并对各Hankel矩阵进行基于ESPRIT算法的到达角AOA估计，从而得出每个前导序列对应用户的到达角估计，完成对活跃用户的检测。

Description

一种基于前导和到达角联合估计的活跃用户检测方法
技术领域
本发明属于无线通信技术随机接入领域，具体涉及一种基于前导和到达角联合估计的活跃用户检测方法。
背景技术
在LTE框架下的随机接入过程中，现有的活跃用户检测方法大多基于对用户前导序列(preamble)的检测，如针对正交序列的前导序列相关性检测和针对非正交序列的基于压缩感知的活跃用户检测方法等。
在使用正交序列(如ZC序列等)作为前导序列信号的随机接入中，尽管正交序列基于其良好的自相关和互相关特性使得活跃用户前导检测和信道估计变得简单且高效，然而，受限于无线通信传输帧结构对序列长度的限制，可用正交前导序列个数十分有限。而前导资源的稀缺将导致随机接入用户之间前导序列碰撞十分严重，这也将进一步导致活跃用户检测失败以及无线接入网络的严重拥塞，从而降低了随机接入的成功率。
而在使用非正交序列(如高斯序列等)时，尽管在无前导序列长度限制时理论上可构造无穷多个可用非正交前导序列，从而实现所有随机接入用户都能分配一个唯一序列的前导序列零碰撞愿景。但是，非正交前导序列的检测具有很高的计算复杂度，且信道估计性能也会因前导序列的非正交性而出现下降。
此外，已有文献指出，非正交序列不一定能比正交序列提供更好的性能，两种类型的前导序列均有其各自的优点和局限性。
发明内容
本发明的目的在于提供一种基于前导和到达角联合估计的活跃用户检测方法，通过设计一种基于角度域聚类ESPRIT算法的前导和到达角(Angle of arrival，AOA)联合估计方法，使基站能同时从前导和角度域两个维度对活跃用户进行检测。
实现本发明的技术解决方案为：一种基于角度域聚类ESPRIT算法的前导和到达角联合估计方法，包括以下三个部分：
一种基于前导和到达角联合估计的活跃用户检测方法，其特征在于，前导信号检测方法包括以下步骤：
S1：考虑有Mi个用户设备(User equipment,UE)在第i个接入时隙内同时发起随机接入；
S2：通过FCME算法对UE进行前导序列检测；
S3：根据FCME算法计算的前导序列检测结果进行前导的信号聚类；
S4：根据信号聚类矢量进行基于ESPRIT算法的AOA估计。
FCME算法本是一种异常点检测算法，用于preamble检测时相比于传统方法具有自身的方法优势。而除了ESPRIT算法这一经典的AOA估计算法外，还有另一个经典的AOA估计算法—MUSIC(Multiple signal classification)。MUSIC算法与ESPRIT算法具有相似的AOA估计性能，区别在于MUSIC算法具有更高的计算复杂度，对天线阵元的增益和相位误差等更为敏感，而ESPRIT算法能一定程度上克服MUSIC算法的不足，具有更低的计算复杂度且对天线阵元的物理特性不敏感等特性。
通过本发明能够使基站能同时从前导和角度域两个维度对活跃用户进行检测，所设计活跃用户检测方法使基站具有更强的前导碰撞识别能力，从而整体上提升用户及整个无线随机接入网络的各项随机接入性能。
进一步地，S2包括以下子步骤：
S2.1：用Ι＝{1,2,...,Mi}表示活跃UE的索引集合，Π表示被Mi个UE所选择的前导索引集合，定义第k个UE聚类
Figure BDA0003645295980000021
表示选择第k个前导zk的UE索引集合，则
Figure BDA0003645295980000022
|Π|为集合Π中的元素个数；
S2.2：第k个UE聚类中的第m个UE，UE-(k,m)的发送信号为：
xk,m(n)＝αk,mhk,mzk(n+tk,m) (1)
式(1)中n＝0,1,...,NZC-1，NZC为ZC序列长度，αk,m，hk,m和tk,m分别为UE-(k,m)的发送信号振幅，信道增益和往返时延；
S2.3：用θk,m表示UE-(k,m)的到达角AOA，则UE-(k,m)的空间导向矢量可表示为：
Figure BDA0003645295980000023
式(2)中[·]T表示转置操作；
S2.4：配置有由Q个天线阵元构成的均匀线性阵列多天线的基站所接收到的前导序列信号模型为：
Figure BDA0003645295980000024
S2.5：基站侧基于参考天线上的接收信号y1(n)，y1(n)为矩阵Y的第一行，计算y1(n)与本地参考ZC序列ul(n)之间的频域周期相关：
Figure BDA0003645295980000031
式(4)中τ＝1,2,...,NIFFT，NIFFT为快速傅里叶逆变换的大小；
S2.6：通过计算基站侧前导序列的功率时延谱(Power delay profile,PDP)，检测出前导序列检测结果。由于ZC序列具有良好的自相关性和互相关性，因此，在基于ZC序列进行活跃用户检测时，通过计算preamble接收信号与本地参考ZC序列间的纽曼-皮尔逊相关，得出preamble序列的PDP样本集合。基站通过将所得PDP样本集中的PDP样值与额定虚警检测概率对应的检测阈值进行比较，判断各个preamble的激活情况(即各个preamble是否被用户使用)。
进一步地，S2.6还包括以下子步骤：
S2.6.1：基于FCME算法进行前导序列检测，S2.5中基站侧前导序列的功率时延谱(PDP)可表示为
Figure BDA0003645295980000032
将PDP集合c按升序排列，生成集合
Figure BDA0003645295980000033
计算
Figure BDA0003645295980000034
的前
Figure BDA00036452959800000323
项的均值
Figure BDA0003645295980000035
为
Figure BDA0003645295980000036
中的第μ个元素；
S2.6.2：比较
Figure BDA0003645295980000037
与Tζ之间的大小，T为在给定虚警概率条件下的检测阈值，若
Figure BDA0003645295980000038
则令
Figure BDA00036452959800000324
并重新计算ζ，直到
Figure BDA0003645295980000039
为止；
S2.6.3：当
Figure BDA00036452959800000310
时，将PDP集合
Figure BDA00036452959800000311
视为仅有噪声存在时的观测结果，而集合
Figure BDA00036452959800000312
则为激活前导序列对应的PDP集合，将
Figure BDA00036452959800000313
中的PDP样本逆映射回其在
Figure BDA00036452959800000314
中的原始位置，即可得出检测到的前导索引集合
Figure BDA00036452959800000315
Figure BDA00036452959800000316
中的元素个数
Figure BDA00036452959800000317
相比于传统仅通过计算PDP的preamble检测方法，基于FCME算法在进行preamble检测时不需要计算噪声样值的功率，且可实现preamble检测虚警概率的实时调整。通过将所得PDP样值进行排序并连续计算相对均值的方式能有效降低preamble检测的虚警概率，因此基于FCME算法的preamble检测方法相比于传统preamble检测方法具有更广泛的使用场景和更灵活的参数设置机制。
进一步地，S3中的信号聚类包括以下步骤：
S3.1：对
Figure BDA00036452959800000318
中的第
Figure BDA00036452959800000319
个前导序列
Figure BDA00036452959800000320
而言，令
Figure BDA00036452959800000321
表示使用前导序列
Figure BDA00036452959800000322
的所有用户的索引集合，则基站侧阵列接收信号可表示为：
Figure BDA0003645295980000041
式(5)中
Figure BDA0003645295980000042
表示第
Figure BDA0003645295980000043
个前导的聚类信号，U为Y中除
Figure BDA0003645295980000044
之外的其他聚类信号之和；
S3.2：对第
Figure BDA0003645295980000045
个前导聚类信号进行滤波，滤波器
Figure BDA0003645295980000046
满足
Figure BDA0003645295980000047
为德尔塔函数，即
Figure BDA0003645295980000048
时
Figure BDA0003645295980000049
否则
Figure BDA00036452959800000410
容易得出
Figure BDA00036452959800000411
(·)+表示去伪逆操作；
S3.3：令
Figure BDA00036452959800000412
基于步骤3.2中的滤波器对Y按前导进行滤波，可得出
Figure BDA00036452959800000413
的估计值为：
Figure BDA00036452959800000414
通过式(6)进行preamble信号的滤波和聚类之后，便可将使用第
Figure BDA00036452959800000415
个前导的所有用户的AOA信息从阵列接收信号Y中提取到矢量
Figure BDA00036452959800000416
中并用于后续的AOA估计过程。相比于未进行该聚类操作的AOA估计方式，这一做法利用preamble的正交性实现了AOA信息的聚类，并进一步简化了后续基于ESPRIT算法的AOA估计过程。
进一步地，S4中的AOA估计方法包括以下步骤：
S4.1：基于S3.3中得出的
Figure BDA00036452959800000417
构建Hankel矩阵如下：
Figure BDA00036452959800000418
Figure BDA00036452959800000419
为
Figure BDA00036452959800000420
的第q个元素，γ＝Q/2+1为Hankel矩阵参数，Q为基站均匀线性阵列天线中天线阵元的数目；
S4.2：计算步骤S4.1中Hankel矩阵
Figure BDA00036452959800000421
对应的协方差矩阵
Figure BDA00036452959800000422
E{·}表示取均值操作，(·)H表示转置共轭操作；
S4.3：对协方差矩阵
Figure BDA00036452959800000423
进行特征值分解，
Figure BDA00036452959800000424
和
Figure BDA00036452959800000425
为分别为
Figure BDA00036452959800000426
的特征矢量和特征值矩阵；
S4.4：取特征值矩阵
Figure BDA00036452959800000427
中前
Figure BDA00036452959800000428
项最大特征值对应
Figure BDA00036452959800000429
中的特征矢量构建特征矢量子空间
Figure BDA00036452959800000430
为使用第
Figure BDA00036452959800000431
个前导的用户数；
S4.5：令
Figure BDA0003645295980000051
和
Figure BDA0003645295980000052
分别表示
Figure BDA0003645295980000053
的前γ-1行和后γ-1行，并定义矩阵
Figure BDA0003645295980000054
S4.6：对
Figure BDA0003645295980000055
进行特征值分解，得出
Figure BDA0003645295980000056
的特征值矢量
Figure BDA0003645295980000057
S4.7：基于S4.6所得特征值矢量，可得出使用第
Figure BDA0003645295980000058
个前导信号的所有UE的AOA信息，得出所有已检测到前导序列对应到达角信息之后，便完成了对活跃用户的检测。相比于传统仅基于正交preamble检测的活跃用户估计方法，本方法所示联合估计器将用户的AOA信息作为一个新的随机接入标签，在进行活跃用户检测时能更好的识别出那些传统preamble检测无法识别的preamble碰撞，从而提高了基站的活跃用户检测能力。
本发明与现有技术相比，具有如下的优点和有益效果：
通过设计一种基于角度域聚类ESPRIT算法的前导和到达角(Angle of arrival，AOA)联合估计方法，使基站能同时从前导和角度域两个维度对活跃用户进行检测，前导和到达角联合估计方法能十分准确的同时估计出发起随机接入尝试用户的前导和到达角信息，并且所设计活跃用户检测方法使基站具有更强的前导碰撞识别能力，从而整体上提升用户及整个无线随机接入网络的各项随机接入性能。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明前导和到达角联合估计方法的流程示意图；
图2为6个具有不同AOA的UE同时竞争3个前导序列时的联合估计示例；
图3为AWGN信道和瑞利信道下不同UE个数使用同一个前导序列时AOA估计的均方根误差(Root-mean-squared error,RMSE)性能；
图4为瑞利信道下20个UE同时竞争5个前导序列时不同信噪比(SNR)条件下多个用户的前导和AOA联合估计结果示意图；
图5为不同物理上行授权信道资源(Physical uplink shared channel，PUSCH)个数对应随机接入的前导碰撞概率曲线示意图；
图6为不同PUSCH个数对应随机接入的接入时延曲线示意图；
图7为不同PUSCH个数对应随机接入的接入成功概率曲线示意图。
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，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例：
如图1至图7所示，本发明包括以下步骤：
S1：考虑有Mi个用户设备(UE)在第i个接入时隙内同时发起随机接入；
S2：通过FCME算法对UE进行前导序列检测；
S3：根据FCME算法计算的前导序列检测结果进行前导的信号聚类；
S4：根据信号聚类矢量进行基于ESPRIT算法的AOA估计。
S2包括以下子步骤：
S2.1：用Ι＝{1,2,...,Mi}表示活跃UE的索引集合，Π表示被Mi个UE所选择的前导索引集合，定义第k个UE聚类
Figure BDA0003645295980000061
表示选择第k个前导zk的UE索引集合，则
Figure BDA0003645295980000062
|Π|为集合Π中的元素个数；
S2.2：第k个UE聚类中的第m个UE，UE-(k,m)的发送信号为：
xk,m(n)＝αk,mhk,mzk(n+tk,m) (1)
式(1)中n＝0,1,...,NZC-1，NZC为ZC序列长度，αk,m，hk,m和tk,m分别为UE-(k,m)的发送信号振幅，信道增益和往返时延；
S2.3：用θk,m表示UE-(k,m)的到达角AOA，则UE-(k,m)的空间导向矢量可表示为：
Figure BDA0003645295980000063
式(2)中[·]T表示转置操作；
S2.4：配置有由Q个天线阵元构成的均匀线性阵列多天线的基站所接收到的前导序列信号模型为：
Figure BDA0003645295980000064
S2.5：基站侧基于参考天线上的接收信号y1(n)，y1(n)为矩阵Y的第一行，计算y1(n)与本地参考ZC序列ul(n)之间的频域周期相关：
Figure BDA0003645295980000065
式(4)中τ＝1,2,...,NIFFT，NIFFT为快速傅里叶逆变换的大小；
S2.6：通过基站侧前导序列的功率时延谱(PDP)，检测出前导序列检测结果。
S2.6还包括以下子步骤：
S2.6.1：基于FCME算法进行前导序列检测，S2.5中基站侧前导序列的功率时延谱(PDP)可表示
Figure BDA0003645295980000071
将PDP集合c按升序排列，生成集合
Figure BDA0003645295980000072
计算
Figure BDA0003645295980000073
的前
Figure BDA00036452959800000737
项的均值
Figure BDA0003645295980000074
为
Figure BDA0003645295980000075
中的第μ个元素；
S2.6.2：比较
Figure BDA0003645295980000076
与Tζ之间的大小，T为在给定虚警概率条件下的检测阈值，若
Figure BDA0003645295980000077
则令
Figure BDA00036452959800000738
并重新计算ζ，直到
Figure BDA0003645295980000078
为止；
S2.6.3：当
Figure BDA0003645295980000079
时，将PDP集合
Figure BDA00036452959800000710
视为仅有噪声存在时的观测结果，而集合
Figure BDA00036452959800000711
则为激活前导序列对应的PDP集合，将
Figure BDA00036452959800000712
中的PDP样本逆映射回其在
Figure BDA00036452959800000713
中的原始位置，即可得出检测到的前导索引集合
Figure BDA00036452959800000714
Figure BDA00036452959800000715
中的元素个数
Figure BDA00036452959800000716
S3中的信号聚类包括以下步骤：
S3.1：对
Figure BDA00036452959800000717
中的第
Figure BDA00036452959800000718
个前导序列
Figure BDA00036452959800000719
而言，令
Figure BDA00036452959800000720
表示使用前导序列
Figure BDA00036452959800000721
的所有用户的索引集合，则基站侧阵列接收信号可表示为：
Figure BDA00036452959800000722
式(5)中
Figure BDA00036452959800000723
表示第
Figure BDA00036452959800000724
个前导的聚类信号，U为Y中除
Figure BDA00036452959800000725
之外的其他聚类信号之和；
S3.2：对第
Figure BDA00036452959800000726
个前导聚类信号进行滤波，滤波器
Figure BDA00036452959800000727
满足
Figure BDA00036452959800000728
为德尔塔函数，即
Figure BDA00036452959800000729
时
Figure BDA00036452959800000730
否则
Figure BDA00036452959800000731
容易得出
Figure BDA00036452959800000732
(·)+表示去伪逆操作；
S3.3：令
Figure BDA00036452959800000733
基于步骤3.2中的滤波器对Y按前导进行滤波，可得出
Figure BDA00036452959800000734
的估计值为：
Figure BDA00036452959800000735
S4中的AOA估计方法包括以下步骤：
S4.1：基于S3.3中得出的
Figure BDA00036452959800000736
构建Hankel矩阵如下：
Figure BDA0003645295980000081
Figure BDA0003645295980000082
为
Figure BDA0003645295980000083
的第q个元素，γ＝Q/2+1为Hankel矩阵参数，Q为基站均匀线性阵列天线中天线阵元的数目；
S4.2：计算步骤S4.1中Hankel矩阵
Figure BDA0003645295980000084
对应的协方差矩阵
Figure BDA0003645295980000085
E{·}表示取均值操作，(·)H表示转置共轭操作；
S4.3：对协方差矩阵
Figure BDA0003645295980000086
进行特征值分解，
Figure BDA0003645295980000087
和
Figure BDA0003645295980000088
为分别为
Figure BDA0003645295980000089
的特征矢量和特征值矩阵；
S4.4：取特征值矩阵
Figure BDA00036452959800000810
中前
Figure BDA00036452959800000811
项最大特征值对应
Figure BDA00036452959800000812
中的特征矢量构建特征矢量子空间
Figure BDA00036452959800000813
为使用第
Figure BDA00036452959800000814
个前导的用户数；
S4.5：令
Figure BDA00036452959800000815
和
Figure BDA00036452959800000816
分别表示
Figure BDA00036452959800000817
的前γ-1行和后γ-1行，并定义矩阵
Figure BDA00036452959800000818
S4.6：对
Figure BDA00036452959800000819
进行特征值分解，得出
Figure BDA00036452959800000820
的特征值矢量
Figure BDA00036452959800000821
S4.7：基于S4.6所得特征值矢量，可得出使用第
Figure BDA00036452959800000822
个前导信号的所有UE的AOA信息。
图1为本发明前导和到达角联合估计方法的流程示意图。由图1可知，本发明联合估计方法主要由三部分构成，即基于FCME算法的前导检测，基于前导的信号聚类和基于ESPRIT算法的AOA估计。在基于FCME完成对激活前导序列的检测后，对基站侧ULA阵列接收信号进行聚类。具体为，根据前导序列检测结果，构建所有已检测到前导序列的滤波器矢量并完成基于前导序列的接收信号聚类。随后，将各前导对应聚类结果构建为Hankel矩阵并进行基于ESPRIT算法的AOA估计，这样便能得出所有激活前导序列对应UE的AOA信息。
图2为本发明前导和到达角联合估计的一个示例。在图2中，当6个UE同时竞争3个前导序列z1、z2和z3时，Π＝{1,2,3}，Ι＝{1,2,3,4,5,6}，Ι1＝{1,3,5}，Ι2＝{6}，Ι3＝{2,4}；对应AOA信息集合分别为Θ1＝{47°,23°,-24°}，Θ2＝{-44°}，Θ3＝{44°,-20°}。假设完美前导检测，则经过前导和AOA联合估计之后得出的AOA信息估计结果为
Figure BDA00036452959800000823
和
Figure BDA00036452959800000824
由上述AOA估计结果可看出，所设计联合估计方法能很好的完成对UE AOA信息的估计。
图3为AWGN信道和瑞利信道下不同UE个数使用同一个前导序列时AOA估计的RMSE性能。具体地，在AWGN信道和瑞利信道条件下M＝5和M＝10个UE使用相同前导序列时AOA估计的RMSE随信噪比的变化曲线。由图3可知，随着信噪比的增大，RMSE均随之变小。此外，随着UE个数的增加(从M＝5到M＝10)和信道条件的变化(从AWGN信道到瑞利信道)，RMSE性能均出现了恶化。
图4在图2的基础上描述了更多UE用户同时存在时联合估计方法的估计性能。仿真条件为基站配置有Q＝64的ULA天线，在瑞利信道下M＝20个UE同时竞争5个前导序列。由图4可看出，信噪比在-10dB和0dB时联合估计方法均能很好的对UE的前导和AOA实现高精度估计。
图5为不同PUSCH资源数对应随机接入的前导碰撞概率曲线示意图。具体地，在进行随机接入性能仿真时主要的仿真参数为：考虑在半个蜂窝小区内有M＝5000个UE在NSLOT＝100和125个随机接入时隙内被激活并竞争NPA＝64个前导序列，UE的激活时间服从参数为beta(3,4)的beta分布，此时
Figure BDA0003645295980000091
前导序列长度NZC＝839，ULA天线阵元个数Q＝128，天线阵元间距D＝0.05m，信噪比SNR＝10dB，UE最大前导传输次数为10，前导检测时虚警概率为0.1％，AOA估计误差阈值为1°。此外，前导碰撞被定义为两个及以上具有相同AOA信息的UE使用同一个前导序列。由图5可知，相比于基线实验方案—基于空间滤波器的随机接入方案(Spatial-filtering based random access，SFRA)，基于本发明前导和AOA联合估计方法的随机接入方案具有明显更低的前导碰撞概率，这是因为，在SFRA中，前导的复用是通过将UE所处空间划分为多个不同扇区实现的，而在基于本发明的随机接入方案，所设计联合估计方法能提供具有更高精度的AOA估计能力，因此，更小的角度域空间颗粒度能提供相比于SFRA更低的前导碰撞概率。
图6为不同PUSCH资源数对应随机接入的接入时延曲线示意图。为表征两种随机接入方案的时延特征，本仿真实验统计了两种接入方案下接入成功UE的平均接入时延。接入时延主要由产生前导碰撞时的随机回退时间，基站前导检测所需时间和碰撞识别时间组成。具体地，在基于图5相同随机接入参数配置下，由于基于本发明的随机接入方案具有比SFRA更低的前导碰撞概率，因此，在每次进行随机接入尝试时，发起接入尝试的UE更容易因低前导碰撞概率而被基站识别为无前导碰撞UE，从而整体上降低了整个随机接入过程中的时延，且随着PUSCH资源个数的增加，基于本发明的随机接入方案具有比SFRA更小的接入时延。
图7为不同PUSCH资源数对应随机接入的接入成功概率曲线示意图。同理于图5和6，由于基于本发明的随机接入方案具有比SFRA更低的前导碰撞概率，因此，在最大前导序列传输次数的限制之下，基于本发明的随机接入方案具有比SFRA具有更高的随机接入成功概率。
仿真结果表明，本发明所设计前导和到达角联合估计方法能十分准确的同时估计出发起随机接入尝试用户的前导和到达角信息。所设计活跃用户检测方法使基站具有更强的前导碰撞识别能力，从而整体上提升用户及整个无线随机接入网络的各项随机接入性能。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于前导和到达角联合估计的活跃用户检测方法，其特征在于，包括以下步骤：
S1：考虑有Mi个用户设备(UE)在第i个接入时隙内同时发起随机接入；
S2：通过FCME算法对UE进行前导序列检测；
S3：根据FCME算法计算的前导序列检测结果进行前导的信号聚类；
S4：根据信号聚类矢量进行基于ESPRIT算法的AOA估计。
2.根据权利要求1所述的一种基于前导和到达角联合估计的活跃用户检测方法，其特征在于，S2包括以下子步骤：
S2.1：用Ι＝{1,2,...,Mi}表示活跃UE的索引集合，Π表示被Mi个UE所选择的前导索引集合，定义第k个UE聚类
Figure FDA0003645295970000011
表示选择第k个前导zk的UE索引集合，则
Figure FDA0003645295970000012
|Π|为集合Π中的元素个数；
S2.2：第k个UE聚类中的第m个UE，UE-(k,m)的发送信号为：
xk,m(n)＝αk,mhk,mzk(n+tk,m) (1)
式(1)中n＝0,1,...,NZC-1，NZC为ZC序列长度，αk,m，hk,m和tk,m分别为UE-(k,m)的发送信号振幅，信道增益和往返时延；
S2.3：用θk,m表示UE-(k,m)的到达角AOA，则UE-(k,m)的空间导向矢量可表示为：
Figure FDA0003645295970000013
式(2)中[·]T表示转置操作；
S2.4：配置有由Q个天线阵元构成的均匀线性阵列多天线的基站所接收到的前导序列信号模型为：
Figure FDA0003645295970000014
S2.5：基站侧基于参考天线上的接收信号y1(n)，y1(n)为矩阵Y的第一行，计算y1(n)与本地参考ZC序列ul(n)之间的频域周期相关：
Figure FDA0003645295970000015
式(4)中τ＝1,2,...,NIFFT，NIFFT为快速傅里叶逆变换的大小；
S2.6：通过基站侧前导序列的功率时延谱(PDP)，检测出前导序列检测结果。
3.根据权利要求2所述的一种基于前导和到达角联合估计的活跃用户检测方法，其特征在于，S2.6还包括以下子步骤：
S2.6.1：基于FCME算法进行前导序列检测，S2.5中基站侧前导序列的功率时延谱(PDP)可表示为
Figure FDA00036452959700000239
将PDP集合c按升序排列，生成集合
Figure FDA0003645295970000021
计算
Figure FDA0003645295970000022
的前
Figure FDA0003645295970000023
项的均值
Figure FDA0003645295970000024
Figure FDA0003645295970000025
为
Figure FDA0003645295970000026
中的第μ个元素；
S2.6.2：比较
Figure FDA0003645295970000027
与Tζ之间的大小，T为在给定虚警概率条件下的检测阈值，若
Figure FDA0003645295970000028
则令
Figure FDA0003645295970000029
并重新计算ζ，直到
Figure FDA00036452959700000210
为止；
S2.6.3：当
Figure FDA00036452959700000211
时，将PDP集合
Figure FDA00036452959700000212
视为仅有噪声存在时的观测结果，而集合
Figure FDA00036452959700000213
则为激活前导序列对应的PDP集合，将
Figure FDA00036452959700000214
中的PDP样本逆映射回其在
Figure FDA00036452959700000215
中的原始位置，即可得出检测到的前导索引集合
Figure FDA00036452959700000216
Figure FDA00036452959700000217
中的元素个数
Figure FDA00036452959700000218
4.根据权利要求3中所述的一种基于前导和到达角联合估计的活跃用户检测方法，其特征在于，S3中的信号聚类包括以下步骤：
S3.1：对
Figure FDA00036452959700000219
中的第
Figure FDA00036452959700000220
个前导序列
Figure FDA00036452959700000221
而言，令
Figure FDA00036452959700000222
表示使用前导序列
Figure FDA00036452959700000223
的所有用户的索引集合，则基站侧阵列接收信号可表示为：
Figure FDA00036452959700000224
式(5)中
Figure FDA00036452959700000225
表示第
Figure FDA00036452959700000226
个前导的聚类信号，U为Y中除
Figure FDA00036452959700000227
之外的其他聚类信号之和；
S3.2：对第
Figure FDA00036452959700000228
个前导聚类信号进行滤波，滤波器
Figure FDA00036452959700000229
满足
Figure FDA00036452959700000230
Figure FDA00036452959700000231
为德尔塔函数，即
Figure FDA00036452959700000232
时
Figure FDA00036452959700000233
否则
Figure FDA00036452959700000234
容易得出
Figure FDA00036452959700000235
(·)+表示去伪逆操作；
S3.3：令
Figure FDA00036452959700000236
基于步骤3.2中的滤波器对Y按前导进行滤波，可得出
Figure FDA00036452959700000237
的估计值为：
Figure FDA00036452959700000238
5.根据权利要求4中所述的一种基于前导和到达角联合估计的活跃用户检测方法，其特征在于，S4中的AOA估计方法包括以下步骤：
S4.1：基于S3.3中得出的
Figure FDA0003645295970000031
构建Hankel矩阵如下：
Figure FDA0003645295970000032
Figure FDA0003645295970000033
为
Figure FDA0003645295970000034
的第q个元素，γ＝Q/2+1为Hankel矩阵参数，Q为基站均匀线性阵列天线中天线阵元的数目；
S4.2：计算步骤S4.1中Hankel矩阵
Figure FDA0003645295970000035
对应的协方差矩阵
Figure FDA0003645295970000036
E{·}表示取均值操作，(·)H表示转置共轭操作；
S4.3：对协方差矩阵
Figure FDA0003645295970000037
进行特征值分解，
Figure FDA0003645295970000038
Figure FDA0003645295970000039
和
Figure FDA00036452959700000310
为分别为
Figure FDA00036452959700000311
的特征矢量和特征值矩阵；
S4.4：取特征值矩阵
Figure FDA00036452959700000312
中前
Figure FDA00036452959700000313
项最大特征值对应
Figure FDA00036452959700000314
中的特征矢量构建特征矢量子空间
Figure FDA00036452959700000315
Figure FDA00036452959700000316
为使用第
Figure FDA00036452959700000317
个前导的用户数；
S4.5：令
Figure FDA00036452959700000318
和
Figure FDA00036452959700000319
分别表示
Figure FDA00036452959700000320
的前γ-1行和后γ-1行，并定义矩阵
Figure FDA00036452959700000321
S4.6：对
Figure FDA00036452959700000322
进行特征值分解，得出
Figure FDA00036452959700000323
的特征值矢量
Figure FDA00036452959700000324
S4.7：基于S4.6所得特征值矢量，可得出使用第
Figure FDA00036452959700000325
个前导信号的所有UE的AOA信息。
CN202210528522.3A 2022-05-16 一种基于前导和到达角联合估计的活跃用户检测方法 Active CN115002929B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210528522.3A CN115002929B (zh) 2022-05-16 一种基于前导和到达角联合估计的活跃用户检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210528522.3A CN115002929B (zh) 2022-05-16 一种基于前导和到达角联合估计的活跃用户检测方法

Publications (2)

Publication Number Publication Date
CN115002929A true CN115002929A (zh) 2022-09-02
CN115002929B CN115002929B (zh) 2024-05-28

Family

ID=

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1300999A1 (en) * 2001-10-05 2003-04-09 Siemens Information and Communication Networks S.p.A. Channel estimation
US20050047530A1 (en) * 2003-08-29 2005-03-03 Lee Jung Ah Method and arrangement for detecting a random access channel preamble using multiple antenna reception in a communication system
CN106302274A (zh) * 2016-08-26 2017-01-04 清华大学 一种大规模mimo系统多用户信道估计与跟踪方法
US20170272278A1 (en) * 2016-03-21 2017-09-21 Huawei Technologies Co., Ltd. User equipment detection for uplink random access in dispersive fading environments
CN107819558A (zh) * 2017-10-31 2018-03-20 清华大学 一种多址接入数据包传输方法
CN108540410A (zh) * 2018-03-06 2018-09-14 东南大学 免调度传输系统联合活跃用户检测和信道估计方法
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
CN110177062A (zh) * 2019-04-15 2019-08-27 浙江大学 一种终端激活检测和信道估计方法
KR20200066220A (ko) * 2018-11-30 2020-06-09 서울대학교산학협력단 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
US20200329509A1 (en) * 2020-06-12 2020-10-15 Ahmad Jalali Joint optimization of multiple beams for mu mimo systems
US20210091990A1 (en) * 2019-09-24 2021-03-25 Qualcomm Incorporated Partial discrete fourier transform-based sequence design and application to random access channel preambles
CN112910806A (zh) * 2021-01-19 2021-06-04 北京理工大学 基于深度神经网络的联合信道估计及用户激活检测方法
CN113556300A (zh) * 2021-07-20 2021-10-26 北京理工大学 基于时域训练序列的联合活跃终端检测与信道估计方法
CN113766541A (zh) * 2021-09-07 2021-12-07 北京交通大学 Mmtc场景下的活跃设备及其使用信道的检测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1300999A1 (en) * 2001-10-05 2003-04-09 Siemens Information and Communication Networks S.p.A. Channel estimation
US20050047530A1 (en) * 2003-08-29 2005-03-03 Lee Jung Ah Method and arrangement for detecting a random access channel preamble using multiple antenna reception in a communication system
US20170272278A1 (en) * 2016-03-21 2017-09-21 Huawei Technologies Co., Ltd. User equipment detection for uplink random access in dispersive fading environments
CN106302274A (zh) * 2016-08-26 2017-01-04 清华大学 一种大规模mimo系统多用户信道估计与跟踪方法
CN107819558A (zh) * 2017-10-31 2018-03-20 清华大学 一种多址接入数据包传输方法
CN108540410A (zh) * 2018-03-06 2018-09-14 东南大学 免调度传输系统联合活跃用户检测和信道估计方法
KR20200066220A (ko) * 2018-11-30 2020-06-09 서울대학교산학협력단 비승인 상향링크 전송 기반의 무선통신시스템에서 활성 단말 검출 방법 및 장치
CN110177062A (zh) * 2019-04-15 2019-08-27 浙江大学 一种终端激活检测和信道估计方法
CN110071881A (zh) * 2019-04-26 2019-07-30 北京理工大学 一种自适应开销的活跃用户检测和信道估计方法
US20210091990A1 (en) * 2019-09-24 2021-03-25 Qualcomm Incorporated Partial discrete fourier transform-based sequence design and application to random access channel preambles
US20200329509A1 (en) * 2020-06-12 2020-10-15 Ahmad Jalali Joint optimization of multiple beams for mu mimo systems
CN112910806A (zh) * 2021-01-19 2021-06-04 北京理工大学 基于深度神经网络的联合信道估计及用户激活检测方法
CN113556300A (zh) * 2021-07-20 2021-10-26 北京理工大学 基于时域训练序列的联合活跃终端检测与信道估计方法
CN113766541A (zh) * 2021-09-07 2021-12-07 北京交通大学 Mmtc场景下的活跃设备及其使用信道的检测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
3GPP TSG_SSA: "Evolved Universal Terrestrial Radio Access Network (E-UTRAN)", 3GPP TS 32.425 V13.5.0, 29 June 2016 (2016-06-29) *
ABOLGHASEM AFSHAR; VAHID TABATABA VAKILI; SAJAD DAEI: "Active User Detection and Channel Estimation for Spatial-Based Random Access in Crowded Massive MIMO Systems via Blind Super-Resolution", IEEE SIGNAL PROCESSING LETTERS, 7 April 2022 (2022-04-07) *
YUXUAN HE; GUANGLIANG REN: "Spatial filtering based random access for machine-type communications in massive MIMO cellular networks", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, 24 July 2020 (2020-07-24) *
汤小波;李里;郝莉;范平志: "随机接入中基于一次碰撞序列的接入策略设计", 西安电子科技大学学报, 23 September 2020 (2020-09-23) *
甄立: "低轨LTE卫星移动通信系统上行同步关键技术研究", 博士学位论文全文库, 3 June 2019 (2019-06-03) *
范平志，李里，陈欢，程高峰，杨林杰，汤小波: "面向大规模物联网的随机接入：现状、挑战与机遇", 通信学报, 22 April 2021 (2021-04-22) *
邱刚;田力;王沙;袁志锋;: "免调度非正交多址技术及其接收机设计", 中兴通讯技术, no. 02, 8 April 2018 (2018-04-08) *
邱晓: "大规模MIMO随机型接入活跃用户检测和信道估计方法研究", 优秀硕士学位论文全文库, 15 January 2022 (2022-01-15) *
邸俊杰: "面向海量用户的大规模MIMO随机接入机制研究", 优秀硕士学位论文全文库, 3 June 2019 (2019-06-03) *

Similar Documents

Publication Publication Date Title
KR100820618B1 (ko) 스펙트럼 추정을 이용한 통신 시스템에 대한 채널 추정
CN108832976B (zh) 一种大规模mimo系统的上行链路信道估计方法
CN112202479A (zh) 多入多出-正交时频空系统的低复杂度信号检测方法
CN111901069B (zh) 一种基于神经网络与近似消息传递算法的多用户检测方法
US8599969B2 (en) Communications channel estimation
US8379706B2 (en) Signal and noise power estimation
CN110971547B (zh) 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法
CN114615122B (zh) 通信信号的频偏确定方法及装置
WO2020221126A1 (zh) 提升多用户复用性能的方法、装置、设备和存储介质
CN106911622A (zh) 基于压缩感知的aco‑ofdm系统信道估计方法
Pham et al. A proposed preamble detection algorithm for 5G-PRACH
CN101268667A (zh) 改善的用于零前缀ofdm系统的码元恢复
CN101291311B (zh) 多输入多输出正交频分复用系统的同步实现方法及装置
CN110212951B (zh) 一种基于Butler矩阵的大规模MIMO信道估计方法
US20240089152A1 (en) Angular domain channel estimation method based on matrix reconstruction for symmetrical nonuniform array
CN106911367B (zh) 基于迭代干扰消除的多小区大规模mimo信道估计方法和装置
CN115002929B (zh) 一种基于前导和到达角联合估计的活跃用户检测方法
CN112543409B (zh) 一种到达时间toa估计方法及基站
CN115002929A (zh) 一种基于前导和到达角联合估计的活跃用户检测方法
Tai et al. Frequency-domain decoupling for MIMO-GFDM spatial multiplexing
CN114039639B (zh) 一种大连接场景下联合信道估计与用户检测方法
Bartolome et al. Pre-and post-FFT SIMO array techniques in Hiperlan/2 environments
Zhang et al. Pilot-based delay and Doppler estimation in 6G integrated communication and sensing networks
CN107835141B (zh) 自相关与互相关结合的多段重复序列ofdm同步算法
Turan et al. Reproducible evaluation of neural network based channel estimators and predictors using a generic dataset

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