CN107181705A - 一种半盲信道估计方法及*** - Google Patents
一种半盲信道估计方法及*** Download PDFInfo
- Publication number
- CN107181705A CN107181705A CN201710381523.9A CN201710381523A CN107181705A CN 107181705 A CN107181705 A CN 107181705A CN 201710381523 A CN201710381523 A CN 201710381523A CN 107181705 A CN107181705 A CN 107181705A
- Authority
- CN
- China
- Prior art keywords
- time block
- channel
- channel information
- sparse
- estimation
- 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
Links
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
- H04L25/0238—Channel estimation using blind estimation
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明所属无线通信***技术领域,特别涉及一种半盲信道估计方法及***。所述半盲信道估计方法包括:步骤a:在第一个时间块中,采用稀疏信号重建算法建立基于训练导频信号的稀疏信道重构模型,通过所述稀疏信道重构模型估计所述第一个时间块的信道信息;步骤b:在第t个时间块中,基于第t‑1个时间块的信道信息,采用最大似然信号检测器检测所述第t个时间块的传输信号;其中,2≤t≤T,T为所述时间块总数;步骤c:基于所述第t个时间块的传输信号,采用半盲信道估计建立半盲稀疏信道重构模型,通过所述半盲稀疏信道重构模型估计所述第t个时间块的信道信息。本发明能够在连续域角度空间域高度紧密逼近信道参数的稀疏性,能够大幅度提高***的频谱效率。
Description
技术领域
本发明所属无线通信***技术领域,特别涉及一种半盲信道估计方法及***。
背景技术
毫米波大规模多天线***较传统多天线***有望达到吉比特每秒的数据传输速率。为了获得更高的通信***吞吐量,收发机获取信道信息是非常关键的一步。实际上,信道部分是有效传送信息必须经过的媒质,准确、实时的信道信息是毫米波通信***中实现波束成形、多用户调度、速率分配、自适应、信道均衡、信号检测和解码等几乎所有操作的基本依据。然而,在大规模多天线***中,由于收发机天线数目的增加使得整个信道参数也成指数倍的增加,这样导致为了准确获取信道信息,在信道估计过程中***的训练需要被分配更多的时频资源。随着毫米波参数化信道模型的提出,使得将信道估计问题转化为稀疏信号重构问题变得可行。
对现有技术进行检索发现,A.Alkhateeb等在2014年IEEE Journal of SelectedTopics on Signal Processing上发表的 Channel estimation and hybrid precodingfor millimeter wave cellular systems[1](毫米波蜂窝***信道估计和混合预编码)中基于毫米波信道信息的稀疏表示模型:参数化信道,利用信道的空间稀疏性,提出了一种基于收发机多阶段训练波束交互的闭环方式估计有限路径的离开波束和到达波束对,以及相应的波束方向增益。然而在实际使用中,该方法将严重受限于训练波束图的设计,波束方向估计精度不高。此外,随着收发机数量的增加,训练波束开销成倍增加。而基于压缩感知网格匹配基的开环信道估计方法易造成基误匹配,不符合离开角和到达角连续取值的事实,严重降低了信道估计的精度。
Junho Lee等在2016年IEEE Transactions on Communications 上发表的Channel Estimation via Orthogonal Matching Pursuit for Hybrid MIMO Systems inMillimeter Wave Communications [2](基于正交匹配追踪的毫米波通信混合多入多处***信道估计) 中,基于收发角度量化的参数信道模型将信道估计问题转化为稀疏信号恢复问题,采用基于[0,π)区间内非均匀角度格分布的正交匹配追踪方法估计信道。然而,正交匹配追踪本质上是一种基于穷尽搜索的贪婪算法,会造成不能容忍的训练时延、能耗和计算复杂度。
Pejoski Slavche等在2015年IEEE Wireless Communications Letters上发表的Estimation of sparse time dispersive channels in pilot aided OFDM usingatomic norm[3](基于原子范数的导频辅助正交频分复用***的稀疏时间弥散信道估计)和 Zhang Peng等在2015年的IEEE International Conference on Communications上发表的Atomic norm denoising-based channel estimation for massive multiuserMIMO systems[4](基于原子范数解噪的大规模多用户多入多出***的信道估计)中基于导频序列,采用一维原子范数最小化方法分别在[0,2π)和[-π/2,π/2]区间内逼近信道发射或者接收角度,估计信道信息矩阵。而由于毫米波信道模型中收发天线阵列响应与现有方法中单天线阵列响应矩阵表示形式的差异,现有基于一维原子范数最小化的信道估计方法无法直接扩展到同时具有收发双天线阵列响应的毫米波信道信息估计中。
同时,综上所述的信道估计方法都仅限于基于导频的信道估计机制,产生大量的导频训练负载,严重降低了***的频谱效率。
发明内容
本发明提供了一种半盲信道估计方法及***,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本发明提供了如下技术方案:
一种半盲信道估计方法,包括以下步骤:
步骤a:在第一个时间块中,采用无格点压缩感知技术建立基于训练导频信号的稀疏信道重构模型,通过所述稀疏信道重构模型估计所述第一个时间块的信道信息;
步骤b:在第t个时间块中,基于第t-1个时间块的信道信息,采用最大似然信号检测器检测所述第t个时间块的传输信号;其中, 2≤t≤T,T为所述时间块总数;
步骤c:基于所述第t个时间块的传输信号,建立具有解码误差纠正功能的半盲稀疏信道重构模型,通过所述半盲稀疏信道重构模型估计所述第t个时间块的信道信息;
步骤d:迭代执行步骤b和步骤c,直到完成T个时间块的信道信息估计。
本发明实施例采取的技术方案还包括:所述步骤a前还包括:将毫米波参数信道信息模型转换为符合构造二维原子范式表达的形式。
本发明实施例采取的技术方案还包括:所述二维原子范式表示为:
上述公式中,为第t个时间块的信道信息的二维原子范式表示,inf为取下确界操作,表示复数域,|·|表示取模操作。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述通过稀疏信道重构模型估计所述第一个时间块的信道信息具体为:
所述稀疏信道重构模型为:
上述公式中,表示估计的信道信息 为权重因子;经过按列拉伸的逆运算,由得到所述第一个时间块的信道信息
本发明实施例采取的技术方案还包括:在所述步骤c中,通过所述半盲稀疏信道重构模型估计当前时间块的信道信息具体为:
所述半盲稀疏信道重构模型为:
上述公式中,表示估计的 Et=[et,1,...,et,K]是拼接的由于解码误差造成的接收信号误差矩阵,为权重因子,||·||1为范数操作;经过按列拉伸的逆运算,由得到所述第t个时间块的信道信息
本发明实施例采取的另一技术方案为:一种半盲信道估计***,包括:
第一信道信息估计模块:用于在第一个时间块中,采用稀疏信号重建算法建立基于训练导频信号的稀疏信道重构模型,通过所述稀疏信道重构模型估计所述第一个时间块的信道信息;
传输信号估计模块:用于在第t个时间块中,基于第t-1个时间块的信道信息,采用最大似然信号检测器检测所述第t个时间块的传输信号;其中,2≤t≤T,T为所述时间块总数;
第二信道信息估计模块:用于基于所述第t个时间块的传输信号,采用半盲信道估计建立半盲稀疏信道重构模型,通过所述半盲稀疏信道重构模型估计所述第t个时间块的信道信息;
迭代判断模块:用于判断是否完成T个时间块的信道信息估计,如果没有完成T时间块的信道信息估计,通过所述传输信号估计模块和第二信道信息估计模块进行迭代,直到完成T个时间块的信道信息估计。
本发明实施例采取的技术方案还包括模型转换模块,所述模型转换模块用于将毫米波参数信道信息模型转换为符合构造二维原子范式表达的形式。
本发明实施例采取的技术方案还包括:所述二维原子范式表示为:
上述公式中,为第t个时间块的信道信息的二维原子范式表示,inf为取下确界操作,表示复数域,|·|表示取模操作。
本发明实施例采取的技术方案还包括:所述第一信道信息估计模块通过稀疏信道重构模型估计所述第一个时间块的信道信息具体为:
所述稀疏信道重构模型为:
上述公式中,表示估计的信道信息 为权重因子;经过按列拉伸的逆运算,由得到所述第一个时间块的信道信息
本发明实施例采取的技术方案还包括:所述第二信道信息估计模块通过半盲稀疏信道重构模型估计第t个时间块的信道信息具体为:
所述半盲稀疏信道重构模型为:
上述公式中,表示估计的 Et=[et,1,...,et,K]是拼接的由于解码误差造成的接收信号误差矩阵,为权重因子,||·||1为范数操作;经过按列拉伸的逆运算,由得到所述第t个时间块的信道信息
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的半盲信道估计方法及***采用基于传输信号的半盲信道估计技术,能够在连续域角度空间域高度紧密逼近信道参数的稀疏性,避免了基误匹配问题,相比基于导频的估计技术,降低***训练负载,能够大幅度提高***的频谱效率。同时为保证信道估计的准确性,同时引入解码误差补偿机制,提高***频谱效率的同时改善***信道解码误差,大幅提高信道估计算法的精确度。
附图说明
图1是本发明实施例的半盲信道估计方法的流程图;
图2是本发明实施例的半盲信道估计***的结构示意图;
图3(a)至图3(c)是本发明实施例的仿真结果对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的半盲信道估计方法及***采用基于无格点压缩感知的毫米波大规模多输入多输出***传输信号辅助的半盲信道估计方式。首先,在第一个时间块内,接收机根据已知的训练导频信号,采用基于无格点压缩感知的稀疏信号重建算法估计出当前信道信息;然后,在后续时间块,依次执行基于传输信号的半盲信道估计技术:依据上一个时间块中估计的信道信息,采用最大似然法检测出当前时间块内的传输信号;建立解码误差补偿机制,基于检测的数据信号,采用基于解码误差稀疏逼近机制的半盲信道估计技术实现快变信道估计;传输信号的检测和半盲信道估计交替执行,直到完成所有时间块的信道信息估计。
具体地,请参阅图1,是本发明实施例的半盲信道估计方法的流程图。本发明实施例的半盲信道估计方法包括以下步骤:
步骤100:将毫米波参数信道信息模型转换为符合构造二维原子范式表达的形式
在步骤100中,毫米波参数信道信息模型为:
公式(1)中,Ht为第t个时间块的信道信息,Lt表示第t个时间块的路径数,αt,l是第t个时间块第l条路径的增益,和分别表示第t个时间块第l条路径的Nt个发射天线阵元和Nr个接收天线阵元的均匀线性天线阵列响应,其中,
公式(2)和(3)中,和分别为第t个时间块中第l条路径的离开角和到达角,Nt和Nr分别表示发射机和接收机上的天线阵元数,λ表示毫米波的波长,d是相邻天线阵元间距。
进一步将公式(1)转化成紧凑的矩阵形式:
公式(4)中,是Lt条路径的增益向量,ht,j表示矩阵Ht的第j列,j=1,...,Nt。
收发天线阵列响应矩阵定义为:
任何求解模型与本发明方法中的式(4)形式等同,例如: yt,k=Wt HHtxt,k+Wt Hnt,k或yt,k=Htxt,k+nt,k,且求解稀疏信号的参数在连续域取值,则视为同本发明方法为同一类问题。
上述步骤100中,信道信息的二维原子范式由以下过程推导而得:
将信道信息Ht进行按列拉伸运算,得到信道信息新的列向量表达形式
公式(7)中, 为一个二维复正弦原子,且满足的限制,e和分别表示Khatri-Rao积和克罗内克积,vec(·)表示矩阵的按列拉伸成列向量运算。
定义A={c(fl)‖fl∈[0,1)×[0,1)}是第l条路径归一化的二维复正弦原子的集合。至此,可得信道信息的二维原子范式表示为:
公式(8)中,为第t个时间块的信道信息的二维原子范式表示,inf为取下确界操作,表示复数域,|·|表示取模操作。
步骤200:假设总共T个时间块,在第一个时间块的K个时隙中,基于发射机发射的训练导频信号S=[s1,...,sK],采用基于无格点压缩感知的稀疏信号重建算法建立连续角度空间域的基于训练导频信号的稀疏信道重构模型,通过该稀疏信道重构模型估计第一个时间块的信道信息
在步骤200中,连续角度空间域的基于训练导频信号的稀疏信道重构模型由以下过程推导而得:
第一个时间块的第k个时隙,发射端发射训练导频信号sk,则接收端接收到的信号为:
y1,k=W1 HH1F1sk+W1 Hn1,k (9)
公式(9)中,y1,k为第一个时间块的第k个时隙接收的信号,F1和W1分别表示发射端的第一预编码矩阵和接收端的第一测量矩阵,S=[s1,...,sK]表示K个时隙的拼接训练导频信号,n1,k是第一个时间块中第k个时隙接收机的加性白高斯噪声且其中表示Nr维的全1列向量。
假设接收机在第一个时间块的第k个时隙中保持F1和W1不变,则拼接的第一接收信号矩阵为:
Y1=W1 HH1F1S+Q1 (10)
公式(10)中,Y1为第一个时间块接收的信号, Q1=[W1 Hn1,1,...,W1 Hn1,K]是第一个时间块接收端的噪声矩阵。
将Y1按列拉伸为新的列向量形式为:
至此,可得连续角度空间域的基于训练导频信号的稀疏信道重构模型为:
公式(12)中,表示估计的信道信息 为权重因子。经过按列拉伸的逆运算即可由得到第一个时间块的信道信息
步骤300:在第t(2≤t≤T)个时间块的K个时隙中,基于上一个时间块中估计的信道信息采用最大似然信号检测器,检测出当前时间块的传输信号
在步骤300中,第t个时间块中(2≤t≤T)的第k个时隙内,发射端发射传输信号xt,k,则接收端接收到的信号为:
yt,k=Wt HHtFtxt,k+Wt Hnt,k (13)
公式(13)中,yt,k为第t个时间块的第k个时隙接收的传输信号,Ft和Wt分别表示发射端的第二预编码矩阵和接收端的第二测量矩阵,nt,k是第t个时间块中第k个时隙接收端的加性白高斯噪声且
假设接收机在第t个时间块的第k个时隙中保持Ft和Wt不变,则拼接的第二接收信号矩阵Yt为:
Yt=Wt HHtFtXt+Qt(14)
公式(14)中,Xt=[xt,1,...,xt,K]表示第t个时间块的第k个时隙拼接的发射信号,Qt=[Wt Hnt,1,Wt Hnt,2,...,Wt Hnt,K]是第t个时间块接收端的噪声矩阵。
定义最大似然信号检测器为:
公式(15)中,表示估计的当前时间块的传输信号xt,k,D 为xt,k可能的码本集合,为第t-1个时间块估计的信道信息。
已知和Yt,则利用公式(15)即可得到当前时间块的传输信号
步骤400:建立解码误差补偿机制,在第t个时间块的K个时隙中,基于检测的传输信号采用基于解码误差稀疏逼近机制的半盲信道估计技术建立连续角度空间域的传输数据辅助的半盲稀疏信道重构模型,并估计当前时间块的信道信息
在步骤400中,连续角度空间域的传输数据辅助的半盲稀疏信道重构模型由以下过程推导而得:
第t个时间块中(2≤t≤T),将Yt按列拉伸为列向量形式为:
考虑检测的数据信号存在误差,则定义et,k为:
则接收端拼接的第二接收信号矩阵Yt可重新定义为:
公式(18)中,是拼接的接收端检测的传输信号矩阵,Et=[et,1,...,et,K]是拼接的由于解码误差造成的接收信号误差矩阵。至此,得到:
公式(19)中,
又因为实用通信***需达到较高的信号检测精度,所以可以认为信号检测误差是稀疏的,本发明实施例中采用范数对信号检测误差进行稀疏重建。因此,连续角度空间域的传输数据辅助的半盲稀疏信道重构模型(2≤t≤T)为:
公式(20)中,表示估计的 为权重
因子,||·||1为范数操作;经过按列拉伸的逆运算即可由得到当前时间块的信道信息
步骤500:判断是否完成所有时间块的信道信息估计,如果没有完成所有时间块的信道信息估计,交替执行步骤300和步骤400,直到完成所有时间块的信道信息;如果完成所有时间块的信道信息估计,执行步骤600;
在步骤500中,步骤300和步骤400交替执行,直到估计完T个时间块的信道信息,并记作:
步骤600:采用归一化均方误差(Normalized Mean Square Error,NMSE)对信道信息估计结果进行性能评价;
在步骤600中,采用的NMSE评价标准定义为:
公式(21)中,为取均值操作,||·||F为范数操作。
请参阅图2,是本发明实施例的半盲信道估计***的结构示意图。本发明实施例的半盲信道估计***包括模型转换模块、第一信道信息估计模块、传输信号估计模块、第二信道信息估计模块、迭代判断模块和性能评价模块。
模型转换模块:用于将毫米波参数信道信息模型转换为符合构造二维原子范式表达的形式
上述中,毫米波参数信道信息模型为:
公式(1)中,Ht为第t个时间块的信道信息,Lt表示第t个时间块的路径数,αt,l是第t个时间块第l条路径的增益,和分别表示第t个时间块第l条路径的Nt个发射天线阵元和Nr个接收天线阵元的均匀线性天线阵列响应,其中,
公式(2)和(3)中,和分别为第t个时间块中第l条路径的离开角和到达角,Nt和Nr分别表示发射机和接收机上的天线阵元数,λ表示毫米波的波长,d是相邻天线阵元间距。
进一步将公式(1)转化成紧凑的矩阵形式:
公式(4)中,是Lt条路径的增益向量,ht,j表示矩阵Ht的第j列,j=1,...,Nt。
收发天线阵列响应矩阵定义为:
上述中,信道信息的二维原子范式由以下过程推导而得:
将信道信息Ht进行按列拉伸运算,得到信道信息新的列向量表达形式
公式(7)中, 为一个二维复正弦原子,且满足的限制,e和分别表示Khatri-Rao积和克罗内克积,vec(·)表示矩阵的按列拉伸成列向量运算。
定义A={c(fl)‖fl∈[0,1)×[0,1)}是第l条路径归一化的二维复正弦原子的集合。至此,可得信道信息的二维原子范式表示为:
公式(8)中,为第t个时间块的信道信息的二维原子范式表示,inf为取下确界操作,表示复数域,|·|表示取模操作。
第一信道信息估计模块:假设总共T个时间块,用于在第一个时间块的K个时隙中,基于发射机发射的训练导频信号 S=[s1,...,sK],采用基于无格点压缩感知的稀疏信号重建算法建立连续角度空间域的基于训练导频信号的稀疏信道重构模型,通过该稀疏信道重构模型估计第一个时间块的信道信息
上述中,连续角度空间域的基于训练导频信号的稀疏信道重构模型由以下过程推导而得:
第一个时间块的第k个时隙,发射端发射训练导频信号sk,则接收端接收到的信号为:
y1,k=W1 HH1F1sk+W1 Hn1,k (9)
公式(9)中,y1,k为第一个时间块的第k个时隙接收的信号,F1和W1分别表示发射端的第一预编码矩阵和接收端的第一测量矩阵,S=[s1,...,sK]表示K个时隙的拼接训练导频信号,n1,k是第一个时间块中第k个时隙接收机的加性白高斯噪声且其中表示Nr维的全1列向量。
假设接收机在第一个时间块的第k个时隙中保持F1和W1不变,则拼接的第一接收信号矩阵为:
Y1=W1 HH1F1S+Q1 (10)
公式(10)中,Y1为第一个时间块接收的信号, Q1=[W1 Hn1,1,...,W1 Hn1,K]是第一个时间块接收端的噪声矩阵。
将Y1按列拉伸为新的列向量形式为:
至此,可得连续角度空间域的基于训练导频信号的稀疏信道重构模型为:
公式(12)中,表示估计的信道信息 为权重因子。经过按列拉伸的逆运算即可由得到第一个时间块的信道信息
传输信号估计模块:用于在第t(2≤t≤T)个时间块的K个时隙中,基于上一个时间块中估计的信道信息采用最大似然信号检测器,检测出当前时间块的传输信号
上述中,第t个时间块中(2≤t≤T)的第k个时隙内,发射端发射传输信号xt,k,则接收端接收到的信号为:
yt,k=Wt HHtFtxt,k+Wt Hnt,k (13)
公式(13)中,yt,k为第t个时间块的第k个时隙接收的传输信号,Ft和Wt分别表示发射端的第二预编码矩阵和接收端的第二测量矩阵,nt,k是第t个时间块中第k个时隙接收端的加性白高斯噪声且
假设接收机在第t个时间块的第k个时隙中保持Ft和Wt不变,则拼接的第二接收信号矩阵Yt为:
Yt=Wt HHtFtXt+Qt (14)
公式(14)中,Xt=[xt,1,...,xt,K]表示第t个时间块的第k个时隙拼接的发射信号,Qt=[Wt Hnt,1,Wt Hnt,2,...,Wt Hnt,K]是第t个时间块接收端的噪声矩阵。
定义最大似然信号检测器为:
公式(15)中,表示估计的当前时间块的传输信号xt,k,D 为xt,k可能的码本集合,为第t-1个时间块估计的信道信息。
已知和Yt,则利用公式(15)即可得到当前时间块的传输信号
第二信道信息估计模块:用于建立解码误差补偿机制,在第t个时间块的K个时隙中,基于检测的传输信号采用基于解码误差稀疏逼近机制的半盲信道估计技术建立连续角度空间域的传输数据辅助的半盲稀疏信道重构模型,并估计当前时间块的信道信息
上述中,连续角度空间域的传输数据辅助的半盲稀疏信道重构模型由以下过程推导而得:
第t个时间块中(2≤t≤T),将Yt按列拉伸为列向量形式为:
考虑检测的数据信号存在误差,则定义et,k为:
则接收端拼接的第二接收信号矩阵Yt可重新定义为:
公式(18)中,是拼接的接收端检测的传输信号矩阵,Et=[et,1,...,et,K]是拼接的由于解码误差造成的接收信号误差矩阵。至此,得到:
公式(19)中,
又因为实用通信***需达到较高的信号检测精度,所以可以认为信号检测误差是稀疏的,本发明实施例中采用范数对信号检测误差进行稀疏重建。因此,连续角度空间域的传输数据辅助的半盲稀疏信道重构模型(2≤t≤T)为:
公式(20)中,表示估计的 为权重因子,||·||1为范数操作。经过按列拉伸的逆运算即可由得到当前时间块的信道信息
迭代判断模块:用于判断是否估计完所有时间块的信道信息,如果没有估计完所有时间块的信道信息,通过传输信号估计模块和第二信道信息估计模块交替估计下一个时间块的传输信号和信道信息,直到估计完T个时间块的信道信息,并记作:如果完成所有时间块的信道信息估计,通过性能评价模块对信道信息估计结果进行性能评价。
性能评价模块:用于在完成所有时间块的信道信息估计后,采用归一化均方误差标准对信道信息估计结果进行性能评价;采用的 NMSE评价标准定义为:
公式(21)中,为取均值操作,||·||F为范数操作。
请参阅图3(a)至图3(c),为本发明实施例的仿真结果对比示意图。经在MATLAB平台进行仿真验证,在仿真中,假设T个时间块的路径条数相同,即Lt=L,以得到NMSE与路径条数之间的关系。从仿真结果可以得出结论,本发明的NMSE评价标准表现随着信噪比的增加而减小(如图3(a)所示),随着路径数增加而增长(如图3(b)所示),随着观察次数(即每个时间块中用于信道估计的时隙数)的增加而减小(如图3(c)所示)。相较于现有主要相关算法,本发明表现出NMSE性能的优越性。
本发明实施例的半盲信道估计方法及***采用基于传输信号的半盲信道估计技术,能够在连续域角度空间域高度紧密逼近信道参数的稀疏性,避免了基误匹配问题,相比基于导频的估计技术,降低***训练负载,能够大幅度提高***的频谱效率。同时为保证信道估计的准确性,同时引入解码误差补偿机制,提高***频谱效率的同时改善***信道解码误差,大幅提高信道估计算法的精确度。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种半盲信道估计方法,其特征在于,包括以下步骤:
步骤a:在第一个时间块中,采用无格点压缩感知技术建立基于训练导频信号的稀疏信道重构模型,通过所述稀疏信道重构模型估计所述第一个时间块的信道信息;
步骤b:在第t个时间块中,基于第t-1个时间块的信道信息,采用最大似然信号检测器检测所述第t个时间块的传输信号;其中,2≤t≤T,T为所述时间块总数;
步骤c:基于所述第t个时间块的传输信号,建立具有解码误差纠正功能的半盲稀疏信道重构模型,通过所述半盲稀疏信道重构模型估计所述第t个时间块的信道信息;
步骤d:迭代执行步骤b和步骤c,直到完成T个时间块的信道信息估计。
2.根据权利要求1所述的半盲信道估计方法,其特征在于,所述步骤a前还包括:将毫米波参数信道信息模型转换为符合构造二维原子范式表达的形式。
3.根据权利要求2所述的半盲信道估计方法,其特征在于,所述二维原子范式表示为:
上述公式中,为第t个时间块的信道信息的二维原子范式表示,inf为取下确界操作,表示复数域,|·|表示取模操作。
4.根据权利要求1或2所述的半盲信道估计方法,其特征在于,在所述步骤a中,所述通过稀疏信道重构模型估计所述第一个时间块的信道信息具体为:
所述稀疏信道重构模型为:
上述公式中,表示估计的信道信息 为权重因子;经过按列拉伸的逆运算,由得到所述第一个时间块的信道信息
5.根据权利要求4所述的半盲信道估计方法,其特征在于,在所述步骤c中,通过所述半盲稀疏信道重构模型估计当前时间块的信道信息具体为:
所述半盲稀疏信道重构模型为:
上述公式中,表示估计的 Et=[et,1,...,et,K]是拼接的由于解码误差造成的接收信号误差矩阵,为权重因子,||·||1为l1范数操作;经过按列拉伸的逆运算,由得到所述第t个时间块的信道信息
6.一种半盲信道估计***,其特征在于,包括:
第一信道信息估计模块:用于在第一个时间块中,采用稀疏信号重建算法建立基于训练导频信号的稀疏信道重构模型,通过所述稀疏信道重构模型估计所述第一个时间块的信道信息;
传输信号估计模块:用于在第t个时间块中,基于第t-1个时间块的信道信息,采用最大似然信号检测器检测所述第t个时间块的传输信号;其中,2≤t≤T,T为所述时间块总数;
第二信道信息估计模块:用于基于所述第t个时间块的传输信号,采用半盲信道估计建立半盲稀疏信道重构模型,通过所述半盲稀疏信道重构模型估计所述第t个时间块的信道信息;
迭代判断模块:用于判断是否完成T个时间块的信道信息估计,如果没有完成T时间块的信道信息估计,通过所述传输信号估计模块和第二信道信息估计模块进行迭代,直到完成T个时间块的信道信息估计。
7.根据权利要求6所述的半盲信道估计***,其特征在于,还包括模型转换模块,所述模型转换模块用于将毫米波参数信道信息模型转换为符合构造二维原子范式表达的形式。
8.根据权利要求7所述的半盲信道估计***,其特征在于,所述二维原子范式表示为:
上述公式中,为第t个时间块的信道信息的二维原子范式表示,inf为取下确界操作,表示复数域,|·|表示取模操作。
9.根据权利要求6或7所述的半盲信道估计***,其特征在于,所述第一信道信息估计模块通过稀疏信道重构模型估计所述第一个时间块的信道信息具体为:
所述稀疏信道重构模型为:
上述公式中,表示估计的信道信息 为权重因子;经过按列拉伸的逆运算,由得到所述第一个时间块的信道信息
10.根据权利要求9所述的半盲信道估计***,其特征在于,所述第二信道信息估计模块通过半盲稀疏信道重构模型估计第t个时间块的信道信息具体为:
所述半盲稀疏信道重构模型为:
上述公式中,表示估计的 Et=[et,1,...,et,K]是拼接的由于解码误差造成的接收信号误差矩阵,为权重因子,||·||1为l1范数操作;经过按列拉伸的逆运算,由得到所述第t个时间块的信道信息
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710381523.9A CN107181705B (zh) | 2017-05-24 | 2017-05-24 | 一种半盲信道估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710381523.9A CN107181705B (zh) | 2017-05-24 | 2017-05-24 | 一种半盲信道估计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107181705A true CN107181705A (zh) | 2017-09-19 |
CN107181705B CN107181705B (zh) | 2020-04-14 |
Family
ID=59835029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710381523.9A Active CN107181705B (zh) | 2017-05-24 | 2017-05-24 | 一种半盲信道估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107181705B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022274A (zh) * | 2018-12-24 | 2019-07-16 | 深圳先进技术研究院 | 一种毫米波mimo-ofdm***的联合信道与载波频率偏移估计方法 |
CN110213185A (zh) * | 2019-06-04 | 2019-09-06 | 北京交通大学 | 一种基于原子范数最小化的三维信道参数估计方法 |
US10771143B1 (en) | 2019-12-27 | 2020-09-08 | Industrial Technology Research Institute | Switching method for multiple antenna arrays and electronic device applying the same |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074358A1 (en) * | 2008-09-25 | 2010-03-25 | Nec Laboratories America, Inc. | Sparse Channel Estimation for MIMO OFDM Systems |
CN105471778A (zh) * | 2014-09-10 | 2016-04-06 | 华为技术有限公司 | 一种信号检测方法及装置 |
CN106059732A (zh) * | 2016-05-26 | 2016-10-26 | 重庆邮电大学 | 一种基于压缩感知的ofdm稀疏信道估计中的导频优化方法 |
-
2017
- 2017-05-24 CN CN201710381523.9A patent/CN107181705B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074358A1 (en) * | 2008-09-25 | 2010-03-25 | Nec Laboratories America, Inc. | Sparse Channel Estimation for MIMO OFDM Systems |
CN105471778A (zh) * | 2014-09-10 | 2016-04-06 | 华为技术有限公司 | 一种信号检测方法及装置 |
CN106059732A (zh) * | 2016-05-26 | 2016-10-26 | 重庆邮电大学 | 一种基于压缩感知的ofdm稀疏信道估计中的导频优化方法 |
Non-Patent Citations (1)
Title |
---|
耿欣: "无线MIMO***中的信道估计与迭代检测技术研究", 《中国博士学位论文》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110022274A (zh) * | 2018-12-24 | 2019-07-16 | 深圳先进技术研究院 | 一种毫米波mimo-ofdm***的联合信道与载波频率偏移估计方法 |
CN110022274B (zh) * | 2018-12-24 | 2022-03-25 | 深圳先进技术研究院 | 一种毫米波mimo-ofdm***的联合信道与载波频率偏移估计方法 |
CN110213185A (zh) * | 2019-06-04 | 2019-09-06 | 北京交通大学 | 一种基于原子范数最小化的三维信道参数估计方法 |
US10771143B1 (en) | 2019-12-27 | 2020-09-08 | Industrial Technology Research Institute | Switching method for multiple antenna arrays and electronic device applying the same |
Also Published As
Publication number | Publication date |
---|---|
CN107181705B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Deep learning for physical-layer 5G wireless techniques: Opportunities, challenges and solutions | |
CN109560841A (zh) | 基于改进的分布式压缩感知算法的大规模mimo***信道估计方法 | |
CN110336594A (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
CN108599820A (zh) | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo***信道估计方法 | |
CN108964725B (zh) | 时变大规模mimo网络中信道参数的稀疏估计方法 | |
CN109714091B (zh) | 一种在毫米波mimo***中基于分层设计的迭代混合预编码方法 | |
CN111478749B (zh) | 基于优化初值快收敛mimo迭代检测方法、***及应用 | |
CN107171985B (zh) | 一种信道估计方法及*** | |
CN111126562A (zh) | 基于神经网络的目标算法拟合方法、终端以及应用 | |
CN107181705A (zh) | 一种半盲信道估计方法及*** | |
CN114268388A (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN113114313A (zh) | 一种mimo-noma***导频辅助信号检测方法、***及存储介质 | |
CN107276934B (zh) | 一种大规模mimo***多用户上行鲁棒检测方法 | |
Shen et al. | Federated learning enabled channel estimation for RIS-aided multi-user wireless systems | |
CN106878225A (zh) | 一种设备指纹与信道分离的方法及装置 | |
CN107426119B (zh) | 毫米波通信的十字形信道估计方法、装置及*** | |
CN107888271A (zh) | 一种波束确定方法及装置 | |
CN116192307A (zh) | 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、***、设备及介质 | |
CN111541472B (zh) | 低复杂度机器学习辅助鲁棒预编码方法及装置 | |
Liu et al. | CSI feedback based on complex neural network for massive MIMO systems | |
CN106230755B (zh) | 一种mimo***信道估计方法和装置 | |
CN101252419A (zh) | 多天线传输***中利用信道统计信息的容量评估方法 | |
CN105812038A (zh) | 多波束移动卫星通信***多用户下行联合预编码方法 | |
CN106301497A (zh) | 一种混合发送编码检测方法和装置 | |
CN113114315B (zh) | 目标对象分组方法、装置、智能终端及存储介质 |
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 |