CN116016052B - 一种用于毫米波大规模mimo系统的信道估计方法 - Google Patents
一种用于毫米波大规模mimo系统的信道估计方法 Download PDFInfo
- Publication number
- CN116016052B CN116016052B CN202310005803.5A CN202310005803A CN116016052B CN 116016052 B CN116016052 B CN 116016052B CN 202310005803 A CN202310005803 A CN 202310005803A CN 116016052 B CN116016052 B CN 116016052B
- Authority
- CN
- China
- Prior art keywords
- array
- matrix
- channel
- path
- antenna
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 6
- 230000000996 additive effect Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005562 fading Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 abstract description 18
- 238000004088 simulation Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000001992 Autosomal Dominant Optic Atrophy Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- Radio Transmission System (AREA)
Abstract
本发明属于无线通信技术领域,具体涉及一种用于毫米波大规模MIMO系统的信道估计方法。本发明主要是采用嵌套阵列作为基站端天线阵列结构;在嵌套阵列的每根天线后安装RF射频链路开关选择性的打开射频链路;然后将信道估计分为路径角度估计和路径增益估计,通过双时间尺度信道估计帧结构实在,在大时间尺度上,通过使用RF链路开关将嵌套阵列引入信道路径角估计,这降低了系统复杂性和功耗。通过逐渐打开部分天线并利用最小二乘算法来估计路径增益信息。仿真结果表明,当均方误差(MSE)和误码率(BER)性能与均匀天线相似时,可以节省一些天线,并减少硬件开销。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种用于毫米波大规模MIMO系统的信道估计方法。
背景技术
毫米波(mmWave)大规模多输入多输出(MIMO)系统由于其可提供更高通信数据速率和更高频谱效率的潜力而受到广泛关注。在小波长和天线尺寸的情况下,数百个天线可以安装在一个小空间中,这可以获得较大的阵列增益,以补偿毫米波波段显著的路径损耗。最近对毫米波大规模MIMO系统的研究主要包括预编码器/组合器的设计、蜂窝和无线传感器网络的低功耗设计以及信道估计方法的研究等。
在毫米波大规模MIMO系统中,如果每个天线分配一个射频(RF)链,硬件成本将非常大。为了降低相应的成本和功耗,通常使用模拟数字预编码策略,其中该架构包括量化移相器和基带预编码器/组合器,这可以显著减少RF链的数量。然而,混合预编码结构中的附加移相器增加的复杂性需要更复杂的信道估计和通信算法,高分辨率移相器的功耗也很高。
混合预编码/组合设计(包括移相器和开关)需要获取准确的信道状态信息(CSI),这仍然是混合架构的关键挑战。由于混合架构的接收机只能通过几个RF链得到信道的低维表示,因此mmWave大规模MIMO系统的信道估计非常困难。此外,毫米波大规模MIMO的阵列几何形状也会影响系统性能。
与传统的均匀线性阵列(ULA)相比,非均匀线性阵列增加了自由度(DOF)并减少了相互耦合,因此非均匀线性阵(NLA)在阵列信号处理中得到了广泛应用。目前的几种非均匀阵列,例如嵌套阵列(NA)、超NA、互质阵列(CA)用于DoA估计。这些工作考虑在BS处用稀疏NLA代替统一均匀线性阵列进行上行链路信道估计。MRA数组具有较长的差分共数组,但对于基站多天线时,天线位置没有闭合表达式很难确定。超级NA能够减少天线间的耦合,但元件位置难以评估。与超级NA和MRA相比,NA对于任意数量的天线阵元都存在闭合表达式,这便于分析通信系统的性能。
基于天线阵列的不同设计,例如NLA和ULA,提出了几种信道估计方法,以提高不同通信场景下的信道估计精度。最小二乘(LS)和最小均方误差(MMSE)信道估计准则通常用于与ULA配置协作。由于毫米波波段可分辨散射体的数量有限,参数物理信道模型可以表示为扩展的Saleh-Valenzuela模型,该模型由阵列信号处理中的到达方向(DOA)和每个散射路径的增益决定。根据该信道模型,提出了一些经典的子空间方法,例如MUSIC和ESPRIT,它们在角度估计中实现了超分辨率。此外,信道估计可以表述为稀疏信号恢复问题,并通过压缩感知(CS)技术解决。作为一个好处,导频开销大大减少。在“Y.Wang,Z.Tian,S.Feng,andP.Zhang,“A fast channel estimation approach for millimeter-wave massive mimosystems,”in 2016IEEE Global Conference on Signal and Information Processing(GlobalSIP),2016,pp.1413–1417”中,为了进一步降低复杂性和训练开销,基于CS的信道估计被分解为两个子问题,即路径角度估计和路径增益估计。根据预定义的网格对整个角度空间进行离散化,以构建感知矩阵。因此,信道估计性能受网格分辨率的支配。
除ULA之外,NLA允许其天线元件呈现非均匀分布,从而提供了一个额外的维度来提高系统性能。在“Y.Wang,Y.Zhang,Z.Tian,G.Leus,and G.Zhang,“Super-resolutionchannel estimation for arbitrary arrays in hybrid millimeter-wave massivemimo systems,”IEEE Journal of Selected Topics in Signal Processing,vol.13,no.5,pp.947–960,2019”中,提出了任意阵列,其中通过雅可比角度近似将通道阵列流型矩阵分为贝塞尔矩阵和Vandermonde矩阵。通过使用低秩结构协方差重建(LRSCR)算法获得信道协方差矩阵,并使用Vandermonde分解引理估计角度信息。但是当大多数DOA集中在某个方位角时,所提出的信道估计方法性能下降。
发明内容
本发明的目的是提出一种用于毫米波大规模MIMO系统的信道估计方法,通过将信道估计问题分为两个子问题:路径角度估计和路径增益估计。首先,建立了基于天线选择的信道估计通信系统模型,利用嵌套阵列的稀疏阵列特性,可以节省大量硬件资源,提高信道角度估计精度。考虑到路径角度和路径增益之间的时间变化差异,设计了一种双时间尺度信道估计帧结构。在大的时间尺度上,通过转变参考阵元和矩阵重构来估计路径角度信息。在小时间尺度中,通过重置选择开关并使用最小二乘算法来估计路径增益信息。
本发明的技术方案是:
一种用于毫米波大规模MIMO系统的信道估计方法,所述信道估计方法包括:
S1、采用嵌套阵列作为基站端天线阵列结构;
S2、在嵌套阵列的每根天线后安装RF射频链路开关选择性的打开射频链路;
S3、将信道估计分为路径角度估计和路径增益估计,具体是:定义一个块衰落通道中,路径角度长时间保持不变,但路径增益在一个块内保持不变,块与块之间变化,基于路径角度和路径增益之间的时变差异,定义双时间尺度通道估计帧结构,包括大时间尺度和小时间尺度,其中大时间尺度表示多个完整的信号周期,小时间尺度表示一个完整的信号周期,在大时间尺度上,利用阵列信号处理相关方法得到信号协方差矩阵,从而检索出路径角度信息;在小时间尺度上,通过发送导频信号,使用最小二乘算法来估计路径增益信息。
进一步的,所述MIMO系统中,基站端部署有N根天线,单天线用户通过L条散射路径将信号发送到天线阵列,定义用户上行信道h为:
其中gl和θl分别定义为第l条散射路径的信道增益信息和信道角度信息,l=0,1,...L,且 是阵列流型矩阵矢量,将信道h表示成矩阵相乘的形式为:
其中和/>
定义传输信号为s(t),基站端的接收信号为:
其中t和T分别表示第t个时刻采样点和总的采样点个数,n(t)服从加性高斯白噪声,均值为0,方差为σ2I。
进一步的,所述嵌套阵列由M1根密集均匀线性阵列天线和M2根稀疏均匀线性阵列天线组成,M1+M2=M,M<N,嵌套阵列的差分阵列为(M1+1)M2均匀线性阵列天线,嵌套阵列将接收信号通过RF射频链传输到后端进行信道估计。
进一步的,S2中定义选择开关矩阵为WΩ,其中Ω表示选择天线的位置集合,Ω={Ω1,Ω2,...,ΩM},M表示集合中元素的数量,经过选择矩阵WΩ之后,将基站端的接收信号表示为:
其中AΩ=WΩA,nΩ(t)=WΩn(t)。
进一步的,S3中路径角度估计的具体方法是:
定义在一个时间块中,路径增益信息不随时间变化,定义在P个快拍后,接收信号表示为:
其中
定义第i个阵元为参考阵元,在t时刻嵌套阵列的第m个阵元的接收信号表示为:
其中,λ表示波长,di表示第i个阵列元素到参考阵元之间的距离,xl(t)表示在t时刻第l条路径上的发送信号与信道增益的乘积,wm(t)表示第m天线上的加性高斯白噪声,的上标i代表参考阵元的位置坐标,下标m代表该阵元所在位置坐标,i=1,2,...,M,m=1,2,...,M;
当m=i,m阵元上的接收数据表示为:
从而获得以第i个阵元为参考阵元的自相关矢量为:
其中A(θ)是M×L维的阵列流型矩阵,矩阵B是L×L的对角矩阵,B=diag(p(t),p(t),...,p(t)),δ(i)=[δ(1,i),δ(2,i),...,δ(M,i)]T是M×1维的噪声矢量,σ2是噪声功率,δ(m,i)是Kronecker delta函数;
令参考阵元的位置坐标i从1到M,获得不同参考阵元下的自相关矢量,将所获得的自相关矢量排列在一起形成协方差矩阵
其中
然后矢量化协方差矩阵获得等效的接收数据:
其中ei是在第i个位置上为1的单位列向量,其他位置为0;矢量z等价于阵列流型矩阵为(A*⊙A)的接收数据,阵列元素位置由集合/>对接收数据z去冗余并重排以获得新的向量/>
其中是虚拟阵列的接收信号,/>是一个新的阵列流型矩阵,其中|B|=2(M1+1)M2-1,/>其中心项为1,其余项为0;
将接收到的数据重构成更大的虚拟均匀阵列/>其中矩阵RY的第一列是由矢量/>的前/>元素构成,矩阵RY的第一行是由矢量/>的后/>元素构成;由于RY是Toeplitz矩阵,通过使用Toeplitz扩展来获得矩阵中的所有元素;
通过前后向空间平滑算法获得协方差矩阵Rfb:
其中J是反对角矩阵,V是子阵列数量,Zv=[0m×(v-1)Im×m0m×(N-m-v+1)];基于Rfb的对角线分解得到:
其中Us是由对应于大特征值的特征向量组成的信号子空间,UN是由对应小特征值的特征向量组成的噪声子空间;
基于多信号分类算法,定义空间谱信号为:
当分母达到最小值时,/>达到最大值,根据/>峰值来估计波达方向,得到路径角度信息/>
进一步的,S3中路径增益估计的具体方法是:
根据估计出的路径角度,得到阵列流型矩阵定义有Q个时间块,在第q个块中,通过随机开启部分天线开关来估计路径增益信息,所选天线的位置集合为Ω={Ω1,Ω2,...,ΩG},其中选择开关的数量为G,定义初始值G=M,在这一阶段中通过发送导频信号u(t),接收信号为:
为了估计信道增益信息gq,最小化代价函数:
计算成本函数的偏导数:
当时,信道增益表示为:
在获得路径角度和路径增益之后,通过毫米波信道之间的相关性获得均匀阵列天线的阵列流型矩阵:
基于估计的信道矩阵,使用ZF算法来均衡通信符号。
本发明的有益效果为:本发明通过使用RF链路开关将嵌套阵列引入信道路径角估计,从而降低了系统复杂性和功耗;基于嵌套阵列下接收信号协方差矩阵的特点,本发明提出了一种通过改变参考元素和矩阵重构来解相关来提高角度估计精度的方法。此外,通过逐渐打开部分天线并利用最小二乘算法来估计路径增益信息。仿真结果表明,当均方误差(MSE)和误码率(BER)性能与均匀天线相似时,可以节省一些天线,并减少硬件开销。
附图说明
图1是本发明的稀疏信道估计的系统模型。
图2是天线选择架构示意图。
图3是嵌套阵列结构示意图。
图4是角度估计阵列模式示意图,其中(a)是NA,(b)是ULA。
图5是角度估计光束扫描60°模式示意图,其中(a)是NA,(b)是ULA。
图6是双时间尺度信道估计帧结构示意图。
图7是使用开关与使用移相器架构的功率能耗函数相对于RF链数量的比率示意图。
图8是选择部分RF链与打开整个RF链的功率能耗函数的比率示意图。
图9是不同阵列结构下NMSE随SNR变化曲线示意图。
图10是单用户系统下NMSE随SNR变化曲线示意图。
图11是本发明分别与理想CSI、所提方法估计的NA CSI、MUSIC方法估计的ULA CSI以及LS方法估计的ULA CSI的BER性能比较示意图。
具体实施方式
下面将结合附图和仿真示例,对本发明的技术方案进行清楚、完整地描述,以便本领域的技术人员能够更好地理解本发明。
本发明提出的通信系统模型,在基站端考虑窄带毫米波大规模MIMO上行链路信道估计。如图1所示,在基站端部署N根天线,每根天线配备一根RF射频链路开关。为了简单起见,考虑单天线单用户。可以清楚地看到,基站端接收信号经过一系列信号处理过程估计信道角度信息,之后估计信道增益信息。
毫米波通道基本沿直线传播衍射能力差,散射路径有限。因此,通道具有稀疏的多路径结构,并且毫米波独有的大而紧凑天线阵列将导致天线阵列信道之间高度的相关性。正如图1所示,假定用户有L个散射路径,信道可以由具有L(L≤N)散射体的几何模型描述,其中每条路径由路径角度和路径增益表示。考虑散射的路径角度和路径增益在一个时间块内保持不变。因此,用户上行信道h可以表示为
其中gl和θl分别定义为第l条散射路径的信道增益信息和信道角度信息,且 是阵列流型矩阵矢量,可以表示为
其中变量di(1≤i≤N)表示第i个阵列元素到参考阵元之间的距离。将信道h表示成矩阵相乘的形式
其中和/>假设传输信号s(t),为简单起见,在所有快拍中令|s(t)|=1。之后基站端的接收信号可以表示为
其中n(t)服从加性高斯白噪声,均值为0,方差为σ2I。
随着天线数量的增加,硬件开销也越来越大,射频链路的数量需要进一步考虑。通过在每根天线后安装RF射频链路开关选择性的打开射频链路,如图2所示。让WΩ作为选择开关矩阵,其中Ω表示选择天线的位置集合,M表示集合中元素的数量,Ω={Ω1,Ω2,...,ΩM}。在WΩ矩阵中,第m行ΩM位置处的值为1,其余位置处的值为0。经过选择矩阵WΩ之后,式(1.4)中的接收信号可以表示为
其中AΩ=WΩA和nΩ(t)=WΩn(t)。目标是用更少的射频链路来估计整个系统信道状态信息,从而节省硬件开销。显然,射频开关的选择和天线矩阵的设计至关重要。结合最近在阵列信号处理中稀疏非均匀阵列的应用,考虑三种典型的非均匀阵列结构,分别为最小冗余阵列(MRA)、互质阵列(CA)和嵌套阵列(NA)。实际上MRA阵列没有闭合表达式,当天线数量较大时,很难确定选择RF链路的Ω天线索引集。此外,CA的差分共阵列上有孔,NA成为天线选择架构的最佳选择。通常,嵌套阵列由M1密集ULA天线和M2稀疏ULA天线组成,如图3所示。根据文献“P.Pal and P.P.V aidyanathan,“Nested arrays:a novel approach toarray processing with enhanced degrees of freedom,”IEEE Trans.SignalProcess.,vol.58,no.8,pp.4167–4181,2010”,可以得知NA天线的差分阵列可以表示成(M1+1)M2ULA天线。
为了验证嵌套数组在设置选择开关后可以准确估计路径角度信息,根据任意分布的一维阵列天线下阵列因子公式,在N=64和M=15(M1=7,M2=8)的设置下模拟角度估计阵列模式和光束扫描模式,仿真结果如图4图5所示。可以清楚地看到,NA的波束宽度更窄,角度估计更准确,验证了NA阵列更具优势。
假设一个块衰落通道,其中路径角度变化非常缓慢,并且长时间保持不变,但路径增益在一个块内保持不变,块与块之间变化。考虑到路径角度和路径增益之间的时变差异,设计了双时间尺度通道估计帧结构,如图6所示。在大时间尺度上,利用阵列信号处理相关方法得到信号协方差矩阵,从而检索出路径角度信息。在小时间尺度上,通过发送导频信号,使用最小二乘算法来估计路径增益信息。因此,设计的框架将CSI估计分为两个子问题:路径角度估计和路径增益估计。
路径角度估计方法具体是:
在一个时间块中,路径增益信息不随时间变化,让在P个快拍后,式(1.5)可表示为:
其中估计路径角度问题就转化DOA估计问题。在一个时间块内,矩阵X中的行矢量之间具有相关性,这将导致接收信号的协方差矩阵不是满秩。采用转变参考阵元的方式得到满秩的协方差矩阵。根据阵列接收信号模型,可以得到以第i个阵元为参考阵元,在t时刻嵌套阵列的第m个阵元的接收信号/>可以表示为
其中xl(t)表示在t时刻第l条路径上的发送信号与信道增益的乘积,wm(t)表示第m天线上的加性高斯白噪声。接收信号的上标i(i=1,2,...,M)代表参考阵元的位置坐标,下标m(m=1,2,...,M)代表该阵元所在位置坐标。当m=i,m阵元上的接收数据可以表示为
因此,以第i个阵元为参考阵元,阵列的接收信号可以表示为
定义接收信号的自相关为
其中σ2是噪声功率和δ(m,i)是Kronecker delta函数。如果m=i,δ(m,i)=1和如果m≠i,δ(m,i)=0。am(θ)和ai(θ)都是维度为1×L的行向量,矩阵B是L×L的对角矩阵,B=diag(p(t),p(t),...,p(t)),其中因此,以第i个阵元为参考阵元,自相关矢量可以表示为
其中A(θ)是M×L维的阵列流型矩阵,δ(i)=[δ(1,i),δ(2,i),...,δ(M,i)]T是M×1维的噪声矢量。当参考阵元的位置坐标i从1到M时,可以获得不同参考阵元下的自相关矢量,将所获得的自相关矢量排列在一起形成协方差矩阵可以表示为:
通过转变参考阵元得到一个全秩的协方差矩阵,然后矢量化协方差矩阵可以获得等效的接收数据
其中 是噪声功率,/>注意ei是在第i个位置上为1的单位列向量,其他位置为0。类似公式(1.6),矢量z等价于阵列流型矩阵为(A*⊙A)的接收数据,其对应于更大的阵列,阵列元素位置由集合
由于在计算任何一对原始物理阵列元素之间的差值时,差值是相同的,因此向量z是冗余的。通过删除集合D中的重复元素以获得集合B,其整数元素对应于虚拟数组元素位置。之后对接收数据z去冗余并重排以获得新的向量
其中是虚拟阵列的接收信号,/>是一个新的阵列流型矩阵,其中|B|=2(M1+1)M2-1,/>其中心项为1,其余项为0。
均匀阵列协方差矩阵在同一对角线元素上是相同的。基于这些特性,将接收到的数据重构成更大的虚拟均匀阵列/>其中矩阵RY的第一列是由矢量/>的前元素构成,矩阵RY的第一行是由矢量/>的后/>元素构成。
由于RY是Toeplitz矩阵,所以通过使用Toeplitz扩展来获得矩阵中的所有元素。另外将选择开关设置为嵌套阵列,有
使用前后向空间平滑(Forward-backward spatial smoothing,FBSS)算法来解决路径角信息。具体来说,将形成的具有N个元素的虚拟阵列划分为彼此交错V个阵列,每个子阵列中包含m个元素,即N=V+m-1。通过对子矩阵的协方差矩阵求和来获得高阶矩阵,其中阵列天线的数量和子阵列中的天线数量需要满足以下要求
其中表示最近的整数,L是用户信道路径的数量。通过FBSS可获得协方差矩阵Rfb可以表示为
其中J是反对角矩阵,V是子阵列数量,Zv=[0m×(v-1)Im×m0m×(N-m-v+1)]。基于Rfb的对角线分解,可以表示为
其中Us是由对应于大特征值的特征向量组成的信号子空间,UN是由对应小特征值的特征向量组成的噪声子空间。基于多信号分类(Multiple Signal classification,MUSIC)算法,空间谱信号定义为
当分母达到最小值时,/>达到最大值,可以根据/>峰值来估计波达方向。因此路径角度信息/>
路径增益估计方法具体是:
一旦通过所提出的算法估计出了路径角度,可以估计出公式(1.6)中的阵列流型矩阵假设有Q个时间块,在第q个块中,再次通过随机开启部分天线开关来估计路径增益信息,所选天线的位置集合为Ω={Ω1,Ω2,...,ΩG},其中选择开关的数量为G,定义初始值G=M。在这一阶段中通过发送导频信号u(t),接收信号可以表示为
为了估计信道增益信息gq,定义最小化代价函数:
计算成本函数的偏导数,可以得到
当时,信道增益表示为
在获得路径角度和路径增益之后,可以通过毫米波信道之间的相关性获得均匀阵列天线的阵列流型矩阵
基于估计的信道矩阵,使用ZF算法来均衡通信符号。
功耗是表征通信算法优劣的关键参数,也是衡量不同混合预编码和选择开关优劣的重要指标。在“R.Méndez-Rial,C.Rusu,A.Alkhateeb,N.González Prelcic,andR.W.H.Jr.,“Channel estimation and hybrid combining for mmwave:Phase shiftersor switches?”in 2015Information Theory and Applications Workshop,ITA 2015,SanDiego,CA,USA,February 1-6,2015.IEEE,2015,pp.90–97”中,不同毫米波通信架构下的功耗不同。的目标是比较这两种架构中功耗与阵列大小和RF链数量之间的差异。根据上述方法中的参数设置,Ps和Pps是这两种架构下的完整系统功耗,其定义如下
Ps=(13Lr+10)Pref (0.25)
Pps=(Lr(Nr+12)+Nr+10)Pref (0.26)
其中Lr是使用的RF链路的数量,Nr是基站处天线的总数量。将ρ1定义为选择开关架构与移相器架构的功耗比
此外,将ρ2定义为所选天线架构下RF链路和全RF链路之间的功耗比
图7和图8显示了作为Nr={32,64,128}的RF射链数量的函数ρ1和ρ2的值。从图7中可以清楚地看出,当BS天线的数量为64,RF链路的数量为15时,ρ1的值约为0.168,因此与移相器架构相比,选择开关架构节省了83%的系统能耗。并且随着BS天线数量的增加,比值ρ1变小,选择开关架构下的功耗更低。图8显示,随着BS天线数量的增加,ρ2比值变小,选择开关架构的优势更加明显。例如,当基站天线数为64,RF射频链路数15时,ρ2的值约0.243,可以节省75.7%的功耗。
下面通过仿真结果,以验证本发明所提信道估计算法的有效性。基站部署选择开关架构,在每次蒙特卡洛模拟中,信道路径DOA随机分布在(-90°,90°)。信道估计性能用归一化均方误差(Normalized mean square error,NMSE)来描述,即:信噪比(SNR)定义为10log(Ps/σ2),其中Ps是固定为1的归一化信号功率。为了验证所选NA阵列的有效性,绘制了具有相同数量天线的不同阵列的NMSE随SNR性能曲线。仿真参数设置如下:N=9,K=1,L=2,P=200,T=16。仿真结果图如图9所示,可以观察到由于MRA阵列可重构虚拟均匀阵列孔径最大,因此信道估计性能最好。然而,MRA没有闭合表达式,当天线数量较大时,无法知道阵列的部署情况。相比之下,NA阵列稍逊于MRA,但具有闭合表达式。此外,ULA和CA阵列的性能比其他两个阵列差,因为其可重构的虚拟均匀阵列孔径较小。
在单用户通信系统中,仿真参数如下:N=64,M=15(M1=7,M2=8),K=1,
L=4,P=200,T=10。为了验证所提信道估计方法的准确性,在图10中绘制了不同信道估计算法的NMSE与SNR性能曲线。在仿真中,将信道估计分为两个子问题,首先在NA阵列天线位置处打开RF射频链路开关估计路径角度信息,第一阶段只需打开15个RF射频开关链路。之后,第二阶段随机打开部分RF射频开关链路估计路径增益信息。路径角度信息设置为(-12°,-4°,4°,12°)。很明显,本发明提出的信道估计方法的NMSE性能优于传统信道估计算法。此外,随着开启的RF链路开关数量的增加,信道估计的NMSE降低。从模拟仿真中可以看出,当第二阶段开启45个RF链路开关时,NMSE性能与天线完全打开时大致相同,因此可以大大节省硬件成本。
为了说明所提出方法的优点,图11比较了在正交幅度调制(QuadratureAmplitude Modulation,QAM)下不同信道估计算法的BER性能。为了保持比较的公平性,仿真所需的系统模型和参数与图10相同。对于不同的信道估计方法,使用相同的均衡器(即ZF)来解调信号。在图11中,可以发现,本发明提出的信道估计方法接近于天线完全打开时的BER性能,也接近于完美的CSI情况,这可以节省巨大的硬件开销。此外,它与传统的信道估计算法相比具有明显的优势。
Claims (1)
1.一种用于毫米波大规模MIMO系统的信道估计方法,其特征在于,所述MIMO系统中,基站端部署有N根天线,单天线用户通过L条散射路径将信号发送到天线阵列,定义用户上行信道h为:
其中gl和θl分别定义为第l条散射路径的信道增益信息和信道角度信息,l=0,1,...L,且是阵列流型矩阵矢量,将信道h表示成矩阵相乘的形式为:
其中和/>
定义传输信号为s(t),基站端的接收信号为:
其中t和T分别表示第t个时刻采样点和总的采样点个数,n(t)服从加性高斯白噪声,均值为0,方差为σ2I;
所述信道估计方法包括:
S1、采用嵌套阵列作为基站端天线阵列结构,所述嵌套阵列由M1根密集均匀线性阵列天线和M2根稀疏均匀线性阵列天线组成,M1+M2=M,嵌套阵列的差分阵列为(M1+1)M2均匀线性阵列天线,嵌套阵列将接收信号通过RF射频链传输到后端进行信道估计;
S2、在嵌套阵列的每根天线后安装RF射频链路开关选择性的打开射频链路,定义选择开关矩阵为WW,其中W表示选择天线的位置集合,W={W1,W2,...,WM},M表示集合中元素的数量,经过选择矩阵WW之后,将基站端的接收信号表示为:
其中AW=WWA,nW(t)=WWn(t);
S3、将信道估计分为路径角度估计和路径增益估计,具体是:定义一个块衰落通道中,路径角度长时间保持不变,但路径增益在一个块内保持不变,块与块之间变化,基于路径角度和路径增益之间的时变差异,定义双时间尺度通道估计帧结构,包括大时间尺度和小时间尺度,其中大时间尺度表示多个完整的符号周期,小时间尺度表示一个完整的符号周期,在大时间尺度上,利用阵列信号处理相关方法得到信号协方差矩阵,从而检索出路径角度信息;在小时间尺度上,通过发送导频信号,使用最小二乘算法来估计路径增益信息;
路径角度估计的具体方法是:
定义在一个时间块中,路径增益信息不随时间变化,定义在P个快拍后,接收信号表示为:
其中
定义第i个阵元为参考阵元,在t时刻嵌套阵列的第m个阵元的接收信号表示为:
其中λ表示波长,di表示第i个阵列元素到参考阵元之间的距离,xl(t)表示在t时刻第l条路径上的发送信号与信道增益的乘积,wm(t)表示第m天线上的加性高斯白噪声,的上标i代表参考阵元的位置坐标,下标m代表该阵元所在位置坐标,i=1,2,...,M,m=1,2,...,M;
当m=i,m阵元上的接收数据表示为:
从而获得以第i个阵元为参考阵元的自相关矢量为:
其中A(θ)是M×L维的阵列流型矩阵,矩阵B是L×L的对角矩阵,B=diag(p(t),p(t),...,p(t)),δ(i)=[δ(1,i),δ(2,i),...,δ(M,i)]T是M×1维的噪声矢量,σ2是噪声功率,δ(m,i)是Kronecker delta函数;
令参考阵元的位置坐标i从1到M,获得不同参考阵元下的自相关矢量,将所获得的自相关矢量排列在一起形成协方差矩阵
其中
然后矢量化协方差矩阵获得等效的接收数据:
其中ei是在第i个位置上为1的单位列向量,其他位置为0;矢量z等价于阵列流型矩阵为(A*⊙A)的接收数据,阵列元素位置由集合/>对接收数据z去冗余并重排以获得新的向量/>
其中是虚拟阵列的接收信号,/>是一个新的阵列流型矩阵,其中|B|=2(M1+1)M2-1,/>其中心项为1,其余项为0;
将接收到的数据重构成更大的虚拟均匀阵列/>其中矩阵RY的第一列是由矢量/>的前/>元素构成,矩阵RY的第一行是由矢量/>的后/>元素构成;由于RY是Toeplitz矩阵,通过使用Toeplitz扩展来获得矩阵中的所有元素;
通过前后向空间平滑算法获得协方差矩阵Rfb:
其中J是反对角矩阵,V是子阵列数量,Zv=[0m×(v-1)Im×m0m×(N-m-v+1)];基于Rfb的对角线分解得到:
其中Us是由对应于大特征值的特征向量组成的信号子空间,UN是由对应小特征值的特征向量组成的噪声子空间;
基于多信号分类算法,定义空间谱信号为:
当分母达到最小值时,/>达到最大值,根据/>峰值来估计波达方向,得到路径角度信息/>
路径增益估计的具体方法是:
根据估计出的路径角度,得到阵列流型矩阵定义有Q个时间块,在第q个块中,通过随机开启部分天线开关来估计路径增益信息,所选天线的位置集合为W={W1,W2,...,WG},其中选择开关的数量为G,定义初始值G=M,在这一阶段中通过发送导频信号u(t),接收信号为:
为了估计信道增益信息gq,最小化代价函数:
计算成本函数的偏导数:
当时,信道增益表示为:
在获得路径角度和路径增益之后,通过毫米波信道之间的相关性获得均匀阵列天线的阵列流型矩阵:
基于估计的信道矩阵,使用ZF算法来均衡通信符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005803.5A CN116016052B (zh) | 2023-01-04 | 2023-01-04 | 一种用于毫米波大规模mimo系统的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005803.5A CN116016052B (zh) | 2023-01-04 | 2023-01-04 | 一种用于毫米波大规模mimo系统的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116016052A CN116016052A (zh) | 2023-04-25 |
CN116016052B true CN116016052B (zh) | 2024-05-07 |
Family
ID=86035203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310005803.5A Active CN116016052B (zh) | 2023-01-04 | 2023-01-04 | 一种用于毫米波大规模mimo系统的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116016052B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000752A1 (zh) * | 2015-07-01 | 2017-01-05 | 东南大学 | 一种fdd大规模mimo系统下行链路训练序列设计方法 |
CN107018099A (zh) * | 2017-03-07 | 2017-08-04 | 上海交通大学 | 一种针对毫米波多用户mimo系统的时变信道估计方法 |
CN107634787A (zh) * | 2017-08-22 | 2018-01-26 | 南京邮电大学 | 一种大规模mimo毫米波信道估计的方法 |
CN109861933A (zh) * | 2018-11-28 | 2019-06-07 | 中国传媒大学 | 一种基于music算法和预编码的毫米波mimo信道估计方法 |
CN110022274A (zh) * | 2018-12-24 | 2019-07-16 | 深圳先进技术研究院 | 一种毫米波mimo-ofdm系统的联合信道与载波频率偏移估计方法 |
CN110336761A (zh) * | 2019-07-12 | 2019-10-15 | 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 |
CN110635836A (zh) * | 2019-09-12 | 2019-12-31 | 重庆大学 | 一种基于波束选择的毫米波大规模mimo系统mmse-pca信道估计方法 |
CN110855585A (zh) * | 2019-09-30 | 2020-02-28 | 北京交通大学 | 一种毫米波大规模mimo系统的信道估计方法 |
KR102154481B1 (ko) * | 2020-03-25 | 2020-09-10 | 전남대학교산학협력단 | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 |
CN112769461A (zh) * | 2020-12-11 | 2021-05-07 | 华南理工大学 | 基于毫米波智能反射面通信的大规模天线信道估计方法 |
CN113179231A (zh) * | 2021-04-15 | 2021-07-27 | 内蒙古大学 | 一种毫米波大规模mimo系统中波束空间信道估计方法 |
CN113949423A (zh) * | 2021-10-28 | 2022-01-18 | 上海师范大学 | 一种多用户毫米波大规模mimo信道估计方法 |
CN114726686A (zh) * | 2022-03-24 | 2022-07-08 | 南京邮电大学 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
WO2022165872A1 (zh) * | 2021-02-03 | 2022-08-11 | 重庆邮电大学 | 一种针对毫米波3d mimo信道的路径参数提取方法 |
CN115396265A (zh) * | 2022-09-05 | 2022-11-25 | 西南交通大学 | 基于对称非均匀阵列矩阵重构的角度域信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11005540B2 (en) * | 2019-07-08 | 2021-05-11 | Morgan State University | Method and system for multiple input, multiple output communications in millimeter wave networks |
-
2023
- 2023-01-04 CN CN202310005803.5A patent/CN116016052B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017000752A1 (zh) * | 2015-07-01 | 2017-01-05 | 东南大学 | 一种fdd大规模mimo系统下行链路训练序列设计方法 |
CN107018099A (zh) * | 2017-03-07 | 2017-08-04 | 上海交通大学 | 一种针对毫米波多用户mimo系统的时变信道估计方法 |
CN107634787A (zh) * | 2017-08-22 | 2018-01-26 | 南京邮电大学 | 一种大规模mimo毫米波信道估计的方法 |
CN109861933A (zh) * | 2018-11-28 | 2019-06-07 | 中国传媒大学 | 一种基于music算法和预编码的毫米波mimo信道估计方法 |
CN110022274A (zh) * | 2018-12-24 | 2019-07-16 | 深圳先进技术研究院 | 一种毫米波mimo-ofdm系统的联合信道与载波频率偏移估计方法 |
CN110336761A (zh) * | 2019-07-12 | 2019-10-15 | 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 |
CN110635836A (zh) * | 2019-09-12 | 2019-12-31 | 重庆大学 | 一种基于波束选择的毫米波大规模mimo系统mmse-pca信道估计方法 |
CN110855585A (zh) * | 2019-09-30 | 2020-02-28 | 北京交通大学 | 一种毫米波大规模mimo系统的信道估计方法 |
KR102154481B1 (ko) * | 2020-03-25 | 2020-09-10 | 전남대학교산학협력단 | 딥러닝을 이용한 대규모 mimo 시스템의 빔포밍 장치 및 방법 |
CN112769461A (zh) * | 2020-12-11 | 2021-05-07 | 华南理工大学 | 基于毫米波智能反射面通信的大规模天线信道估计方法 |
WO2022121497A1 (zh) * | 2020-12-11 | 2022-06-16 | 华南理工大学 | 基于毫米波智能反射面通信的大规模天线信道估计方法 |
WO2022165872A1 (zh) * | 2021-02-03 | 2022-08-11 | 重庆邮电大学 | 一种针对毫米波3d mimo信道的路径参数提取方法 |
CN113179231A (zh) * | 2021-04-15 | 2021-07-27 | 内蒙古大学 | 一种毫米波大规模mimo系统中波束空间信道估计方法 |
CN113949423A (zh) * | 2021-10-28 | 2022-01-18 | 上海师范大学 | 一种多用户毫米波大规模mimo信道估计方法 |
CN114726686A (zh) * | 2022-03-24 | 2022-07-08 | 南京邮电大学 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
CN115396265A (zh) * | 2022-09-05 | 2022-11-25 | 西南交通大学 | 基于对称非均匀阵列矩阵重构的角度域信道估计方法 |
Non-Patent Citations (3)
Title |
---|
Time-Varing channel estimation for Millimeter Wave Multiuser MIMO Systems;QiBo Qin;IEEE Ttransections on vehicular Technology;20180710;第第67卷卷(第第10期期);全文 * |
基于双IRS辅助的毫米波MIMO通信信道估计;李祥森;《无线电通信技术》;20221231;第第48卷卷(第第2期期);269-275 * |
基于矩阵感知的毫米波MIMO系统信道估计方法;肖志涛;《电讯技术》;20201130;第第60卷卷(第第11期期);1297-1302 * |
Also Published As
Publication number | Publication date |
---|---|
CN116016052A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Millimeter wave beam-selection using out-of-band spatial information | |
He et al. | Channel estimation for RIS-aided mmWave MIMO systems | |
CN100392998C (zh) | 结合空时分组编码的智能天线下行波束形成方法 | |
CN107046434B (zh) | 大规模mimo系统模数混合预编码方法 | |
CN113179231B (zh) | 一种毫米波大规模mimo系统中波束空间信道估计方法 | |
CN109120316B (zh) | 一种基于最大化最小相位差值的混合波束成形方法 | |
CN112468202B (zh) | 低复杂度毫米波大规模mimo混合预编码方法 | |
CN109861933B (zh) | 一种基于music算法和预编码的毫米波mimo信道估计方法 | |
Gao et al. | Antenna selection in massive MIMO systems: Full-array selection or subarray selection? | |
CN107276649B (zh) | 低精度模数转换与混合预编码结合的无反馈波束训练方法 | |
CN109560845B (zh) | 一种低复杂度通用混合预编码方法 | |
Yang et al. | Deep learning based antenna selection for channel extrapolation in FDD massive MIMO | |
Jiang et al. | Dual-beam intelligent reflecting surface for millimeter and THz communications | |
Chafaa et al. | Improved channel estimation in mmWave communication system | |
CN110212951B (zh) | 一种基于Butler矩阵的大规模MIMO信道估计方法 | |
Kyösti et al. | How many beams does sub-THz channel support? | |
Zhu et al. | Low-complexity partially-connected hybrid precoding for massive MIMO systems | |
Song et al. | Millimeter wave beam-alignment for dual-polarized outdoor MIMO systems | |
Saqib et al. | Reconfigurable intelligent surface aided hybrid beamforming: Optimal placement and beamforming design | |
CN116016052B (zh) | 一种用于毫米波大规模mimo系统的信道估计方法 | |
Palacios et al. | Managing hardware impairments in hybrid millimeter wave MIMO systems: A dictionary learning-based approach | |
Payami | Hybrid beamforming for massive MIMO systems | |
Aljumaily | Hybrid beamforming in massive-MIMO mmWave systems using LU decomposition | |
Song et al. | Millimeter wave beamforming for multiuser dual-polarized MIMO systems | |
Niu et al. | Low complexity and near-optimal beam selection for millimeter wave MIMO systems |
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 |