CN106130938A - Tdd大规模mimo***多用户联合信道估计方法 - Google Patents

Abstract

本发明公开了一种面向大规模MIMO通信***的上行链路多用户联合信道估计方法。该信道估计方法首先通过虚拟信道描述实现物理信道矩阵的稀疏表示，接着将目标小区和干扰小区的多用户联合信道估计建模为压缩感知框架里的二维稀疏信号重构，然后通过二维稀疏信号重构算法(2D‑SL0)联合估计出多用户的信道状态信息。本发明提供的多用户联合信道估计方法能够大幅度地减少导频数目，并能消除导频污染的干扰和提高信道估计的精度。

Description

TDD大规模MIMO***多用户联合信道估计方法

技术领域

本发明涉及大规模多输入多输出(multiple-input multiple-output，MIMO)***的上行链路多用户联合信道估计方法，尤其是涉及5G(第五代移动通信***)标准化进程领域应用压缩感知技术的大规模MIMO***信道估计方法。

背景技术

大规模MIMO技术既能提高***频谱效率，又能降低***的发送功率和处理复杂度，是未来5G通信***中不可缺少的一项支撑技术。大规模MIMO***中的信号检测和预编码需要CSI(Channnel State Information)信息，特别是当发送端已知完全的CSI信息时，用户的发射功率与基站的天线数成反比，而仅获得部分CSI时，则与基站天线数的平方根成反比。因此，能否准确估计出信道状态信息对于大规模MIMO无线传输性能及能量效率起着决定性的作用。

TDD(Time Division Duplexing)大规模MIMO***中上行导频序列的长度正比于基站服务的移动终端数目，从而随着用户数目的增加，用于信道参数估计的导频开销随之线性增加。特别地，在中高速移动通信场景，导频开销将会消耗掉大部分的时频资源，成为***的瓶颈。通常无线信道的脉冲响应仅包含少量的重要路径系数，而且这些主要路径在时域上相互之间具有较大的间隔，即无线信道的脉冲响应具有稀疏的特征。另一方面，压缩感知技术能依据较少的观测值重构出高维稀疏信号，因而压缩信道感知方法具有通过充分挖掘无线信道稀疏性的先验知识来大幅度减少大规模MIMO***导频符号数的潜能。传统的大规模MIMO***压缩信道感知方法是将信道估计建模成一维稀疏信号重构，一次仅能估计出多用户在一个波束方向上的信道状态信息，难以实现多用户的联合信道估计。

发明内容

本发明的目的是提供一种上行链路多用户联合信道估计方法，该上行链路多用户联合信道估计方法克服了现有技术中信道估计所需要的导频数过多和导频污染干扰的问题。

为了实现上述目的，本发明提供了一种上行链路多用户联合信道估计方法，该方法包括：

步骤11，通过虚拟信道表示实现物理信道矩阵的稀疏表示；

步骤12，将目标小区和干扰小区多用户的信道估计建模为压缩感知理论中的二维稀疏信号重构，并运用2D-SL0(two-dimensional smoothed L0 algorithm)重构算法联合估计出目标多用户的信道状态信息。

优选地，在步骤11中，第i个小区里全部K个用户到第j个小区基站的物理信道矩阵稀疏表示为

$G_{ji}=A_R{G}_{ji}^v,$

其中，G_ji为物理信道矩阵且G_ji＝[g_ji1,…,g_jiK]，列向量g_jik表示第i个小区里的第k个用户到第j个小区基站的信道响应矢量；

A_R为接收响应矩阵且

$A_R=\[a_R\left({\mathrm{\θ}}_1\right),\mathrm{...},a_R\left({\mathrm{\θ}}_M\right)\],a_R\left({\mathrm{\θ}}_m\right)=\frac{1}{\sqrt{M}}{\left[\begin{array}{cccc}1,& e^{-j2{\mathrm{\π\θ}}_m},& \mathrm{...},& e^{-j2\mathrm{\π}(M-1){\mathrm{\θ}}_m}\end{array}\right]}^T,$

这里θ_m＝m/M，M表示基站天线数目，M×K维矩阵是稀疏表示矩阵且其元素值表示第k个用户与第m个虚拟接收角度之间的链接增益，若该链接不存在，则该元素值为0。

优选地，在步骤12中，将目标小区和干扰小区多用户的信道估计建模为二维稀疏信号重构的方法包括：

第j个小区基站的接收导频信号可表示为：

$Y_j^{tr}\sqrt{P_{tr}}\underset{i=1}{\overset{L}{\Σ}}{H}_{ij}{X}_i^{tr}+N_j^{tr}=\sqrt{P_{tr}}\underset{i=1}{\overset{L}{\Σ}}{A}_R{G}_{ji}^v{D}_{ji}{X}_i^{tr}+N_j^{tr};$

将该式进行转置可得到以下公式：

其中，H_ji＝G_jiD_ji且H_ji表示第i个小区里的第k个用户到第j个小区基站的信道响应矩阵，这里H_ji＝[h_ji1,…,h_jiK]， β_jik表示大尺度衰落因子，K表示单天线用户数，K＜＜M。

即可得到以下线性方程：

Y＝XGA_R+N。

优选地，在步骤12中，运用2D-SL0重构算法联合估计出目标多用户的信道状态信息的方法包括：

步骤121，输入观测信号Y，观测矩阵X，DFT变换阵A_R，阈值σ_min，收缩因子ρ，步长μ和迭代次数Q；

步骤122，令

步骤123，如果σ≥σ_min，则顺序执行(Ⅰ)和(Ⅱ)；否则，执行步骤124。

(Ⅰ)在可行解集{G|Y＝XGA_R}上，从初始解开始通过如下的Q次最速下降算法，最大化目标函数

(a)设置矩阵Δ＝[δ_ij]的元素值为

(b)令然后通过将投影到其可行解集上；

(Ⅱ)令σ←ρσ，并返回步骤123；

步骤124，计算并输出

与现有技术相比，本发明提供的多用户联合信道估计方法运用二维稀疏信号重构算法2D-SL0，能够大幅度地减少信道估计所需要的导频数，且能消除导频污染的干扰。该方法计算复杂度低，易于实现。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是说明本发明的一种大规模MIMO上行链路多用户联合信道估计方法实施步骤的流程图；

图2为单小区场景运用2D-SL0压缩感知信道估计方法(标记为本发明提供的信道估计方法)与传统最小二乘信道估计方法采用不同数目导频的归一化均方误差对比图；

图3为多小区场景运用本发明提供的信道估计方法与传统最小二乘信道估计方法采用不同数目导频的归一化均方误差曲线图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

本发明提供一种上行链路多用户联合信道估计方法，该方法包括：

步骤11，通过虚拟信道表示实现物理信道矩阵的稀疏表示；

步骤12，将目标小区和干扰小区多用户的信道估计建模为压缩感知理论中的二维稀疏信号重构，并运用2D-SL0重构算法联合估计出目标多用户的信道状态信息。

与现有技术相比，本发明提供的多用户联合信道估计方法运用二维稀疏信号重构算法2D-SL0，能够大幅度地减少信道估计所需要的导频数，且能消除导频污染的干扰。

为了更好的理解本发明实施例的内容，首先详细介绍本发明实施例的***模型。考虑一个多小区大规模MIMO***上行链路的场景，每个目标小区与L-1个相邻小区共享同一段频带，每个小区有一个M根天线的基站和K(K＜＜M)个单天线用户。

从第i个小区中第k个用户到第j个小区基站的上行链路信道矢量可表示为

其中g_jik是快衰落矢量，其元素是均值为0方差为1的独立同分布复高斯变量，大尺度衰落因子β_jik描述了准静态阴影衰落和路径损耗，因此，从第i个小区中全部K个用户到第j个小区基站的上行链路信道矩阵可表示为

H_ji＝G_jiD_ji (公式2)

其中H_ji＝[h_ji1,…,h_jiK],G_ji＝[g_ji1,…,g_jiK]和

在块衰落信道模型的场景里，第j个基站的接收导频信号可写为

其中表示上行导频信噪比，中的列向量表示第i个小区中用户的导频信号，表示复数加性高斯白噪声。

本发明实施例公开的一种大规模MIMO***上行链路多用户联合信道估计方法，主要包括如下步骤：

步骤一、物理信道的虚拟稀疏表示。虚拟信道表示方法是在一系列固定的空间域波束角度上描述物理信道矩阵。考虑基站采用均匀线性天线阵列，大规模MIMO的物理信道矩阵G_ji可通过如下的方式映射为虚拟信道矩阵

其中物理信道矩阵G_ji＝[g_ji1,…,g_jiK]，g_jik表示第i个小区里的第k个用户到第j个小区基站的信道响应矢量，接收响应矩阵A_R＝[a_R(θ₁),…,a_R(θ_M)]，这里接收响应向量为

其中方向θ_m与物理角度φ_m∈[-π/2,π/2]的关系为θ_m＝dsin(φ_m)/λ，这里λ表示波长，d表示天线之间的距离。均匀采样θ的主值区间是很自然的选择，即θ_m＝m/M，从而接收响应矩阵A_R是一个M×M维DFT变换阵。M×K维矩阵指的是稀疏表示矩阵，其元素值表示第k个用户与第m个虚拟接收角度之间的链接增益，若该链接不存在，则该元素值为0。如果矩阵包含的非零元素的数目远远小于矩阵中总的元素个数，即这里f_i定义为中第i列的非零元素个数，则是稀疏矩阵。

步骤二、将多用户联合信道估计建模为压缩感知理论中的二维稀疏信号重构。第j个小区基站的接收导频信号可表示为

将该式进行转置可得到

步骤三、运用2D-SL0二维稀疏信号重构算法联合估计多用户的信道状态信息。依据(公式7)的线性方程Y＝XGA_R+N，本发明提供的采用2D-SL0算法估计信道响应具体步骤可归纳如下：

为了实现上述目的，本发明提供了一种上行链路多用户联合信道估计方法，该方法包括：

步骤11，通过虚拟信道表示实现物理信道矩阵的稀疏表示；

步骤12，将目标小区和干扰小区多用户的信道估计建模为压缩感知理论中的二维稀疏信号重构，并运用2D-SL0(two-dimensional smoothed L0 algorithm)重构算法联合估计出目标多用户的信道状态信息。

优选地，在步骤11中，第i个小区里全部K个用户到第j个小区基站的物理信道矩阵稀疏表示为

$G_{ji}=A_R{G}_{ji}^v,$

其中，G_ji为物理信道矩阵且G_ji＝[g_ji1,…,g_jiK]，列向量g_jik表示第i个小区里的第k个用户到第j个小区基站的信道响应矢量；

A_R为接收响应矩阵且

$A_R=\[a_R\left({\mathrm{\θ}}_1\right),\mathrm{...},a_R\left({\mathrm{\θ}}_M\right)\],a_R\left({\mathrm{\θ}}_m\right)=\frac{1}{\sqrt{M}}{\left[\begin{array}{cccc}1,& e^{-j2{\mathrm{\π\θ}}_m},& \mathrm{...},& e^{-j2\mathrm{\π}(M-1){\mathrm{\θ}}_m}\end{array}\right]}^T,$

这里θ_m＝m/M，M表示基站天线数目，M×K维矩阵是稀疏表示矩阵且其元素值表示第k个用户与第m个虚拟接收角度之间的链接增益，若该链接不存在，则该元素值为0。

优选地，在步骤12中，将目标小区和干扰小区多用户的信道估计建模为二维稀疏信号重构的方法包括：

第j个小区基站的接收导频信号可表示为：

$Y_j^{tr}=\sqrt{P_{tr}}\underset{i=1}{\overset{L}{\Σ}}{H}_{ji}{X}_i^{tr}+N_j^{tr}=\sqrt{P_{tr}}\underset{i=1}{\overset{L}{\Σ}}{A}_R{G}_{ji}^v{D}_{ji}{X}_i^{tr}+N_j^{tr};$

将该式进行转置可得到以下公式：

其中，H_ji＝G_jiD_ji且H_ji表示第i个小区里的第k个用户到第j个小区基站的信道响应矩阵，这里H_ji＝[h_ji1,…,h_jiK]， β_jik表示大尺度衰落因子，K表示单天线用户数，K＜＜M。

即可得到以下线性方程：

Y＝XGA_R+N。

优选地，在步骤12中，运用2D-SL0重构算法联合估计出目标多用户的信道状态信息的方法包括：

步骤121，输入观测信号Y，观测矩阵X，DFT变换阵A_R，阈值σ_min，收缩因子ρ，步长μ和迭代次数Q；

步骤122，令

步骤123，如果σ≥σ_min，则顺序执行(Ⅰ)和(Ⅱ)；否则，执行步骤124。

(Ⅰ)在可行解集{G|Y＝XGA_R}上，从初始解开始通过如下的Q次最速下降算法，最大化目标函数

(a)设置矩阵Δ＝[δ_ij]的元素值为

(b)令然后通过将投影到其可行解集上；

(Ⅱ)令σ←ρσ，并返回步骤123；

步骤124，计算并输出

本发明提供TDD大规模MIMO***的一种多用户联合信道估计方法。提供的方法采用压缩感知理论中的二维稀疏信号重构算法2D-SL0，提供的信道估计方法能够大幅度地减少所需要的导频数目，且能消除导频污染的影响。该方法计算复杂度低，易于实现。

为了验证本发明方法的有效性与相比现有方法的优势，做了如下仿真对比试验。所考虑的场景***参数是：单小区或7个小区使用相同的频带、基站天线数为256、每个小区用户数为20以及信道虚拟表示矩阵的每列有随机的5个元素为非零。图2为在单小区场景运用2D-SL0压缩感知信道估计方法(标记为本发明提供的信道估计方法)与传统最小二乘信道估计方法采用不同数目导频的归一化均方误差对比图，从图中可以看出本发明提供的信道估计方法能够减少40％的导频。图3为在多小区场景运用本发明提供的信道估计方法与传统最小二乘信道估计方法采用不同数目导频的归一化均方误差曲线图，从图中可以看出本发明提供的信道估计方法能减少75％导频符号，且通过消除导频污染的思路提高了估计的精度。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (4)

1.一种TDD大规模MIMO***上行链路多用户联合信道估计方法，其特征在于，该方法包括：

步骤11，通过虚拟信道表示实现物理信道矩阵的稀疏表示；

步骤12，将目标小区和干扰小区的多用户联合信道估计建模为压缩感知理论中的二维稀疏信号重构，并运用2D-SL0(two-dimensional smoothed L0algorithm)重构算法联合估计出目标多用户的信道状态信息。

2.根据权利要求1所述的上行链路多用户联合信道估计方法，其特征在于，在步骤11中，第i个小区里全部K个用户到第j个小区基站的物理信道矩阵稀疏表示为

$G_{ji}=A_R{G}_{ji}^v,$

其中，G_ji为物理信道矩阵且G_ji＝[g_ji1,…,g_jiK]，列向量g_jik表示第i个小区里的第k个用户到第j个小区基站的信道响应矢量；A_R为接收响应矩阵且A_R＝[a_R(θ₁),…,a_R(θ_M)]，

这里θ_m＝m/M，M表示基站天线数目；M×K维矩阵是稀疏表示矩阵且其元素值表示第k个用户与第m个虚拟接收角度之间的链接增益，若该链接不存在，则该元素值为0。

3.根据权利要求1所述的上行链路多用户联合信道估计方法，其特征在于，在步骤12中，将目标小区和干扰小区的多用户联合信道估计建模为压缩感知理论中的二维稀疏信号重构方法包括：

第j个小区基站的接收导频信号可表示为：

$Y_j^{tr}=\sqrt{P_{tr}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{H}_{ji}{X}_i^{tr}+N_j^{tr}=\sqrt{P_{tr}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{A}_R{G}_{ji}^v{D}_{ji}{X}_i^{tr}+N_j^{tr};$

将该式进行转置可得到以下公式：

其中，H_ji＝G_jiD_ji且H_ji表示第i个小区里的第k个用户到第j个小区基站的信道响应矩阵，这里H_ji＝[h_ji1,…,h_jiK]， β_jik表示大尺度衰落因子，K表示单天线用户数，K＜＜M。

即可得到以下线性方程：

Y＝XGA_R+N。

4.根据权利要求1所述的上行链路多用户联合信道估计方法，其特征在于，在步骤12中，运用2D-SL0重构算法联合估计出目标多用户信道状态信息的方法包括：

步骤121，输入观测信号Y，观测矩阵X，DFT变换阵A_R，阈值σ_min，收缩因子ρ，步长μ和迭代次数Q；

步骤122，令

步骤123，如果σ≥σ_min，则顺序执行(Ⅰ)和(Ⅱ)；否则，执行步骤124。

(Ⅰ)在可行解集{G|Y＝XGA_R}上，从初始解开始通过如下的Q次迭代最速下降算法，最大化目标函数

(a)设置矩阵Δ＝[δ_ij]的元素值为

(b)令然后通过将投影到其可行解集上；

(Ⅱ)令σ←ρσ，并返回步骤123；

步骤124，计算并输出