CN113938360B - 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 - Google Patents
一种基于指纹定位的分布式mimo***协方差矩阵估计方法 Download PDFInfo
- Publication number
- CN113938360B CN113938360B CN202111186420.XA CN202111186420A CN113938360B CN 113938360 B CN113938360 B CN 113938360B CN 202111186420 A CN202111186420 A CN 202111186420A CN 113938360 B CN113938360 B CN 113938360B
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- user
- pilot
- channel
- 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.)
- Active
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000010363 phase shift Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000001427 coherent effect Effects 0.000 claims description 55
- 238000005562 fading Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- H04L25/0204—Channel estimation of multiple channels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H04L25/021—Estimation of channel covariance
-
- 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
- H04L25/0224—Channel estimation using sounding signals
-
- 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
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于指纹定位的分布式MIMO***协方差矩阵估计方法,该方法针对由于环境快速变化导致的协方差矩阵随时间变化的情况,通过引入随机相移消除干扰和噪声,并利用指纹定位改变导频分配方式获得更准确的协方差矩阵估计,以解决现有技术大多未考虑协方差矩阵未知,以及协方差矩阵估计不准确、计算复杂度高的问题。本发明相对于现有技术不额外增加导频,在估计准确性高的基础上计算复杂度低,所提出的基于指纹定位的导频分配更新算法,能够进一步有效的提高协方差矩阵估计的准确性,适用于各种无线通信***,对于研究移动场景的非理想因素具有非常重要的意义,因此本发明具有一定的实际价值。
Description
技术领域
本发明涉及分布式MIMO***技术领域,特别是涉及一种基于指纹定位的分布式MIMO***协方差矩阵估计方法。
背景技术
分布式MIMO***是实用的、可扩展的网络MIMO场景,其中大量的接入点在地理上分布并连接到一个中央处理单元,以相同的时频资源为所有用户提供服务。MIMO除了具有良好的传播和通道强化的优点外,分布式MIMO还具有分布式架构的特点,如宏分集、无切换和更高的覆盖的好处。因此,基于协方差矩阵未知情况下的信道估计技术的研究变得越来越重要。
然而,所有这些可取的优势在很大程度上依赖于准确的信道状态信息。信道矢量的协方差矩阵表征了空间相关性,在大多数技术中通常被认为是完全已知的。但由于用户的移动性和协方差矩阵维数与天线数之间的线性关系,协方差矩阵在实际情况下是未知的。特别是在高速移动等的信道变化较快的场景,估计协方差矩阵从而进行信道的精确估计对于分析和优化***性能有很大的好处。因此,高精确度低复杂度的协方差矩阵估计技术的研究变得越来越重要。
目前,由于位置信息可以提供上下文感知的通信服务,无线定位越来越受到人们的关注,特别是在下一代通信***中。指纹定位是基于信道状态统计的指纹地图,由于在丰富的散射环境中具有较高的定位精度而得到广泛的发展。由于信道相干间隔长度的限制和大量用户的接入访问,不能保证用户被分配为相互正交的导频,这将导致导频污染,严重降低***性能。导频污染与共享导频的用户位置有关,因此可以通过基于位置信息优化导频分配来缓解导频污染。因此,利用位置信息能够提高协方差矩阵的估计精度,这对于处理通信***中的非理想因素具有重要的作用,然而在现有的技术中还未出现将协方差矩阵估计与定位信息融合的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于指纹定位的分布式MIMO***协方差矩阵估计方法,用以解决现有技术未考虑协方差矩阵未知,导致现实情况下信道估计的准确度不高的问题。本发明将估计的协方差矩阵作为指纹进行定位,根据定位信息进行分簇,进而改变导频分配获得更准确的协方差矩阵估计,提高了协方差矩阵估计的精度。
为了实现上述目的,本发明采用如下技术方案:
一种基于指纹定位的分布式MIMO***协方差矩阵估计方法,在所述的分布式MIMO***中,一共有M个接入点连接到中央处理单元,每个接入点有N根天线,联合服务于区域内的K个单天线用户,并且Z个单天线的参考点均匀分布在覆盖区域内,所述方法具体包括如下步骤:
步骤S1、建立分布式MIMO***的上行链路信号传输模型,得到协方差矩阵在未知情况下的信道估计表达式;
步骤S2、首先采用信道块衰落模型,引入随机相移,在相邻的相干块交替使用分配的导频和该导频的随机相移,得到相邻相干块的接收信号表达式,然后利用间隔的导频估计样本协方差矩阵,最后再利用相邻交错导频接收信号观测值并考虑埃尔米特对称性,得到用户初始协方差矩阵估计;
步骤S3、首先将用户初始协方差矩阵作为用户指纹,将参考点的协方差矩阵估计作为指纹数据库,利用欧氏距离将用户指纹与指纹数据库进行比对,将最小的欧氏距离对应的参考点作为用户的初始位置,然后根据用户的位置,利用K-means算法对用户进行分簇,最后根据分簇结果,在簇内采用正交导频,进而进行导频的重新分配,得到用户精确协方差矩阵估计。
进一步的,所述步骤S1具体包括:
步骤S101、考虑一个块衰落信道,从用户k到所有接入点的信道向量建模为:
公式(1)中,λk,m表示第m个接入点到第k个用户的大尺度衰落,IN表示N维单位矩阵,hk表示小尺度衰落,其元素服从标准瑞利分布/>
步骤S102、假设上行信道估计中存在长度σ的正交导频个数P<K,使用表示使用导频p的用户子集,将接收到的训练信号与导频序列的共轭相关联后,基站对信道进行估计:
公式(2)中,yp表示发送导频p的所有用户的接收信号,ρ是发送功率,表示发送导频p的噪声,σ2表示噪声功率;
由于gk满足则对于/>信道gk的最小均方误差MMSE估计的表达式为:
公式(3)中,IMN表示M×N维单位矩阵,令∑p为接收信号的协方差矩阵,Λi表示用户i的信道gi的协方差矩阵。
步骤S103、因为Λk和∑p都是未知数,因此将公式(3)转化为:
公式(4)中,和/>分别表示Λk和∑p的估计。
进一步的,所述步骤S2具体包括:
步骤S201、首先假设信道为块衰落模型,具体为信道在σc=BcTc个符号内不变,其中,Bc表示为相干带宽,Tc表示为时间,然后假设协方差矩阵在σs个相干块内不变,最后利用随机相移的不相关性来消除干扰和噪声,因此每个用户在相邻的相干块中交替发送分配的导频Xp和相移导频Φk为:
公式(5)中,Φk[2n]表示第2n个相干块用户k发送的相移导频,Xp[2n-1]表示第2n-1个相干块的导频为用户k分配的导频p,n=1,2,....表示相干块的索引,θk,2n为k个用户的第2n个相干块的随机相移,它与信道向量和噪声无关且满足
步骤S202、选取N∑≤σs/2个间隔的相干块估计接收信号的协方差矩阵∑p,表达式为:
公式(6)中,yp[2n-1]表示第2n-1个相干块的接收信号,N∑表示用于估计∑p的相干块数,上标(·)H表示共轭转置,表示为接收信号的样本协方差矩阵∑p的估计;
步骤S203、为了估计Λk,需要相邻的相干块来去相关性,因此,将导频发送到相邻的相干块,接收到的信号观测值为:
公式(7)和公式(8)中,表示用户k发送第2n-1个相干块导频信号时的接收信号观测值,/>表示用户k发送第2n个相干块导频信号时的接收信号观测值,θi,2n表示用户i在第2n个相干块时导频序列发生器产生的随机相位。
考虑到信号不受噪声和随机相移θk,2n的影响,通过对相邻相干块的观测来消除干扰,对于根据相邻交错导频接收信号观测值的相关性可以得到估计的信道的协方差矩阵为:
考虑到埃尔米特对称,用户初始协方差矩阵的表达式为:
公式(10)中,NΛ表示用于估计Λk所需要的相干块对数。
进一步的,所述步骤S3具体包括:
步骤S301、分别计算参考点和用户的协方差矩阵估计,参考点的协方差矩阵估计近似采用正交导频,以此作为指纹数据库其中,/>表示参考点1到参考点Z估计的协方差矩阵,作为指纹数据库中的指纹;估计用户k的用户初始协方差矩阵/>作为用户指纹,将用户指纹与指纹数据库进行比较,利用欧几里得距离来衡量两个不同指纹之间的相关程度,表达式为:
公式(11)中,表示为用户k的用户初始协方差矩阵的第i行第j列,/>表示指纹数据库中参考点z估计的协方差矩阵的第i行第j列;
选择欧氏距离最小的参考点作为用户k的初始位置;
步骤S302、根据用户定位结果,采用K-means聚类算法将K个用户划分为个不相交的簇,得到一个重心,其中,P表示正交导频数量,簇t中的用户集表示为Γt;
步骤S303、对于|Γt|>P的簇,对每个用户到相应重心的距离进行排序,确定距离最小的P个用户直接成为一个簇,其余|Γt|-P个用户保存在集合D中;对于|Γt|<P的簇,另外在集合D中随机选择P-|Γt|个用户组成一个簇;
步骤S304、在簇内分配正交导频,再次估计用户k的用户精确协方差矩阵
本发明的有益效果是:
本发明考虑实际信道中协方差矩阵未知的问题,进行协方差矩阵的估计,所提出的方法不额外增加导频,只是利用发送导频的特殊结构,有效消除干扰和噪声,利用指纹定位的方式进一步缓解导频污染,提高协方差矩阵估计精度,计算复杂度不高,且适用于各种无线通信***。
附图说明
图1为实施例1中提供的无蜂窝分布式大规模MIMO***的示意图;
图2为实施例1中提供一种基于指纹定位的分布式MIMO***协方差矩阵估计方法的流程示意图;
图3为采用不同协方差矩阵估计方法,用于计算个体协方差矩阵的相干块对数与信道估计归一化均方误差NMSE之间关系的仿真图,其中随机导频表示初始分配随机导频估计协方差矩阵,指纹定位表示经过指纹定位后重新分配导频估计协方差矩阵,via-Q是使用经典的via-Q方法估计协方差矩阵;
图4为在MRC和ZF接收机下,采用不同的协方差矩阵估计方法中,用于计算个体协方差矩阵的相干块对数与总频谱效率之间关系的仿真图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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做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。
实施例1
参见图1-图4,本实施例提供一种基于指纹定位的分布式MIMO***协方差矩阵估计方法,该方法基于以下大规模MIMO***及其***上行接收信号模型来实现,具体包括:
如图1所示,假设一个无蜂窝分布式大规模MIMO***采用时分双工(TDD)模式,有M=5个AP,每个AP有N=50根天线。参考点以r=2km为间隔均匀分布在该区域内,该区域有K=12个用户,假定这些用户都配备单天线,并且是独立分布的,共享P=4个导频,以提高导频资源的利用率。
信道模型由三部分组成:路径损耗、阴影衰落和小尺度衰落,可以表示为其中,/>令路径衰落因子a=3.7,参考距离为1,sm,k为满足指数正态分布的阴影衰落变量,hm,k表示小尺度衰落,其元素服从标准瑞利分布/>因此用户k到所有接入点的上行链路信道gk满足/>即/>每个用户的发送功率为ρ=1W,噪声关联σ2=-63dBm。K个用户同时发送信息,因此***上行接收信号模型为
公式(1)中,y表示AP接收到来自所有用户的信息,xk是发送的信息,表示噪声,假设gk与n相互独立。
基于上述提供的无蜂窝分布式大规模MIMO***,以及构建的上行接收信号模型,本实施例提供的协方差矩阵估计方法具体包括如下步骤:
步骤S1、建立分布式MIMO***的上行链路信号传输模型,得到协方差矩阵未知情况下的信道估计表达式:
在本实施例中,步骤S1具体包括:
步骤S11、假设信道为块衰落模型,在一定相带宽Bc和一定相干时间Tc内,信道保持不变,即信道在σc=BcTc=200个符号内保持不变。协方差矩阵在传输带宽上是恒定的,与信道矢量的快速变化相比,它在时间上的变化缓慢,因此可以合理的假设它在σs=20000个相干块内保持不变。
步骤S12、用表示使用导频p的用户子集,将接收到的训练信号与导频序列的共轭相关联后,基站的观测值为:
公式(2)中,yp表示发送导频p的所有用户的接收信号,表示发送导频p的噪声,由于gk满足/>则对于/>信道gk的最小均方误差MMSE估计应为:
公式(3)中,IMN表示M×N维单位矩阵,令∑p为接收信号的协方差矩阵,Λi表示用户i的信道gi的协方差矩阵。
步骤S13、在实际应用中,协方差矩阵通常是不完善的,这意味着Λk和∑p都是未知数,因此将信道估计表达式转换为
公式(4)中,和/>分别表示Λk和∑p的估计。
步骤S2、采用信道块衰落模型,引入随机相移,在相邻的相干块交替使用分配的导频和该导频的随机相移,得到相邻相干块的接收信号表达式。利用间隔的导频估计样本协方差矩阵估计;利用该交替接收信号并考虑埃尔米特对称性,得到个体协方差矩阵估计。
在本实施例中,步骤S2具体包括:
步骤S21、利用随机相移的不相关性来消除干扰和噪声,因此每个用户在相邻的相干块中交替发送分配的导频Xp和相移导频Φk,表达式为:
公式(5)中,Φk[2n]表示第2n个相干块用户k的导频,Xp[2n-1]表示第2n-1个相干块的导频为用户k分配的导频p,n=1,2,...表示相干块的索引,θk,2n为k个用户的第2n个相干块的随机相移,它与信道向量和噪声无关且满足
步骤S22、选取N∑=5000<σs/2个相干块间隔的相干块估计∑p,表达式为:
公式(6)中,yp[2n-1]表示第2n-1个相干块的接收信号,上标(·)H表示共轭转置,当N∑更大时,的估计就会更准确。
步骤S23、为了估计个体协方差矩阵Λk,需要相邻的相干块来去相关性,将导频发送到相邻的相干块,接收到的信号观测值为
公式(7)和公式(8)中,表示用户k发送第2n-1个相干块导频信号时的接收信号观测值,/>表示用户k发送第2n个相干块导频信号时的接收信号观测值,θi,2n表示用户i在第2n个相干块时导频序列发生器产生的随机相位。
考虑到信号不受噪声和随机相位θk,2n的影响,本实施例通过对相邻相干块的观测来消除干扰,对于根据相邻交错导频接收信号观测值所估计的信道的协方差矩阵为:
此外,考虑到埃尔米特对称,应为
公式(10)中,NΛ表示用于估计Λk所需要的相干块对数。
步骤S3、基于指纹定位的协方差矩阵估计方法的总体流程图如图2所示。在离线阶段,上行导频信号可由单天线测试设备在每个不同接入点依次发送。因此,接入点之间不存在相互干扰。本实施例采用估计的参考点协方差矩阵作为指纹数据库,因为它们可以反映位置信息。在线阶段,每个用户将协方差矩阵作为指纹进行估计,并与指纹数据库进行比较。根据匹配结果得到初始位置,利用K-means算法对用户进行聚类。根据聚类结果重新分配导频,重新估计协方差矩阵,得到更准确的信道估计。下面是具体的实现步骤:
步骤S31、分别计算参考点和用户的协方差矩阵估计,将参考点的协方差矩阵估计作为指纹数据库其中,/>表示参考点1到参考点Z估计的协方差矩阵,作为指纹数据库中的指纹。估计用户k的用户初始协方差矩阵/>作为指纹,将指纹与指纹数据库进行比较,利用欧几里得距离来衡量两个不同指纹之间的相关程度
公式(11)中,表示为用户k的用户初始协方差矩阵的第i行第j列,/>表示指纹数据库中参考点z估计的协方差矩阵的第i行第j列。
选择欧氏距离最小的参考点作为用户k的初始位置。
步骤S32、根据用户定位结果,采用K-means聚类算法将K个用户划分为个不相交的簇,每个簇有一个重心,迭代次数T=20。其中,P表示正交导频数量,簇t中的用户集表示为Γt。
步骤S33、对于|Γt|>P的簇,对每个用户到相应重心的距离进行排序,确定距离最小的P个用户直接成为一个簇。其余|Γt|-P个用户保存在集合D中;对于|Γt|<P的簇,另外在集合D中随机选择P-|Γt|个用户共同组成一个簇。
步骤S34、在簇内分配正交导频,再次估计用户k的用户精确协方差矩阵
以上展现了利用本实施例提供的方法进行无蜂窝大规模MIMO基于指纹定位的协方差矩阵估计整个过程。
图3所示是采用不同协方差矩阵估计方法中,用于计算个体协方差矩阵的相干块对数与信道估计归一化均方误差NMSE之间关系的仿真图,其中误差代表协方差矩阵已知和未知时的信道估计误差。随机导频表示初始分配随机导频估计协方差矩阵,指纹定位表示经过指纹定位后重新分配导频估计协方差矩阵,via-Q是一种经典的协方差矩阵估计方法,它通过发送共享同一导频的其他用户的导频来消除干扰。在初始阶段采用随机导频分配,通过对指纹定位和导频重分配后进行协方差矩阵重新估计,得到基于指纹的定位和导频重分配算法。可以看出,在相同的随机导频分配下,本方法的协方差矩阵估计性能优于via-Q,且接近协方差矩阵已知的情况。在基于指纹定位的基础上,由于导频重分配,协方差矩阵估计变得更加准确。
图4所示为在MRC和ZF接收机下,采用不同协方差矩阵估计方法中,用于计算个体协方差矩阵的相干块对数与总频谱效率之间关系的仿真图。可以看出,本实施例提供的协方差矩阵估计方法比via-Q方法具有更好的总频谱效率,经过指纹定位和导频重分配后,***性能进一步提高。同时,总频谱效率随着用于计算个体协方差矩阵估计的相干块对数NΛ的增加而增加,这是因为计算出的协方差矩阵估计更准确。此外,ZF接收机的***性能优于MRC接收机。
综上所述,本发明针对分布式MIMO***的协方差矩阵估计问题,提出一种引入随机相移利用分配导频和随机相移导频的互相关消除干扰和噪声的分布式天线***协方差矩阵估计方法,以解决现有技术未考虑协方差矩阵未知,导致现实情况下信道估计的准确度不高的问题。此外,将估计的协方差矩阵作为指纹进行定位,根据定位信息进行分簇,进而改变导频分配获得更准确的协方差矩阵估计,提高了协方差矩阵估计的精度,具有实际的意义。
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (1)
1.一种基于指纹定位的分布式MIMO***协方差矩阵估计方法,在所述的分布式MIMO***中,一共有M个接入点连接到中央处理单元,每个接入点有N根天线,联合服务于区域内的K个单天线用户,并且Z个单天线的参考点均匀分布在覆盖区域内,其特征在于,所述方法具体包括如下步骤:
步骤S1、建立分布式MIMO***的上行链路信号传输模型,得到协方差矩阵在未知情况下的信道估计表达式;
步骤S2、首先采用信道块衰落模型,引入随机相移,在相邻的相干块交替使用分配的导频和该导频的随机相移,得到相邻相干块的接收信号表达式,然后利用间隔的导频估计协方差矩阵,最后再利用相邻交错导频接收信号观测值并考虑埃尔米特对称性,得到用户初始协方差矩阵估计;
步骤S3、首先将用户初始协方差矩阵作为用户指纹,将参考点的协方差矩阵估计作为指纹数据库,利用欧氏距离将用户指纹与指纹数据库进行比对,将最小的欧氏距离对应的参考点作为用户的初始位置,然后根据用户的位置,利用K-means算法对用户进行分簇,最后根据分簇结果,在簇内采用正交导频,进而进行导频的重新分配,得到用户精确协方差矩阵估计;
所述步骤S1具体包括:
步骤S101、考虑一个块衰落信道,从用户k到所有接入点的信道向量建模为:
公式(1)中,λk,m表示第m个接入点到第k个用户的大尺度衰落,IN表示N维单位矩阵,hk表示小尺度衰落,其元素服从标准瑞利分布/>
步骤S102、假设上行信道估计中存在长度τ的正交导频个数P<K,使用表示使用导频p的用户子集,将接收到的训练信号与导频序列的共轭相关联后,基站对信道进行估计:
公式(2)中,yp表示发送导频p的所有用户的接收信号,ρ是发送功率,表示发送导频p的噪声,σ2表示噪声功率;
由于gk满足则对于/>信道gk的最小均方误差MMSE估计的表达式为:
公式(3)中,IMN表示M×N维单位矩阵,令∑p为接收信号的协方差矩阵,Λi表示用户i的信道gi的协方差矩阵;
步骤S103、因为Λk和∑p都是未知数,因此将公式(3)转化为:
公式(4)中,用户初始协方差矩阵和/>分别表示Λk和∑p的估计;
所述步骤S2具体包括:
步骤S201、首先假设信道为块衰落模型,具体为信道在τc=BcTc个符号内不变,其中,Bc表示为相干带宽,Tc表示为时间,然后假设协方差矩阵在τs个相干块内不变,最后利用随机相移的不相关性来消除干扰和噪声,因此每个用户在相邻的相干块中交替发送分配的导频Xp和相移导频Φk为:
公式(5)中,Φk[2n]表示第2n个相干块用户k发送的相移导频,Xp[2n-1]表示第2n-1个相干块的导频为用户k分配的导频p,n=1,2,....表示相干块的索引,θk,2n为k个用户的第2n个相干块的随机相移,它与信道向量和噪声无关且满足
步骤S202、选取N∑≤τs/2个间隔的相干块估计接收信号的协方差矩阵∑p,表达式为:
公式(6)中,yp[2n-1]表示第2n-1个相干块的接收信号,N∑表示用于估计∑p的相干块数,上标(×)H表示共轭转置,表示为接收信号的协方差矩阵∑p的估计;
步骤S203、为了估计Λk,需要相邻的相干块来去相关性,因此,将导频发送到相邻的相干块,接收到的信号观测值为:
公式(7)和公式(8)中,表示用户k发送第2n-1个相干块导频信号时的接收信号观测值,/>表示用户k发送第2n个相干块导频信号时的接收信号观测值,θi,2n表示用户i在第2n个相干块时导频序列发生器产生的随机相位;
考虑到信号不受噪声和随机相移θk,2n的影响,通过对相邻相干块的观测来消除干扰,对于根据相邻交错导频接收信号观测值的相关性得到估计的信道的协方差矩阵为:
再考虑到埃尔米特对称,用户初始协方差矩阵的表达式为:
公式(10)中,NΛ表示用于估计Λk所需要的相干块对数;
所述步骤S3具体包括:
步骤S301、参考点的协方差矩阵估计近似采用正交导频,以此作为指纹数据库其中,/>表示参考点1到参考点Z估计的协方差矩阵,作为指纹数据库中的指纹;估计用户k的用户初始协方差矩阵/>作为用户指纹,将用户指纹与指纹数据库进行比较,利用欧几里得距离来衡量两个不同指纹之间的相关程度,表达式为:
公式(11)中,表示为用户k的用户初始协方差矩阵的第i行第j列,/>表示指纹数据库中参考点z估计的协方差矩阵的第i行第j列;
选择欧氏距离最小的参考点作为用户k的初始位置;
步骤S302、根据用户定位结果,采用K-means聚类算法将K个用户划分为个不相交的簇,得到一个重心,其中,P表示正交导频数量,簇t中的用户集表示为Γt;
步骤S303、对于|Γt|>P的簇,对每个用户到相应重心的距离进行排序,确定距离最小的P个用户直接成为一个簇,其余|Γt|-P个用户保存在集合D中;对于|Γt|<P的簇,另外在集合D中随机选择P-|Γt|个用户组成一个簇;
步骤S304、在簇内分配正交导频,再次估计用户k的用户精确协方差矩阵
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111186420.XA CN113938360B (zh) | 2021-10-12 | 2021-10-12 | 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111186420.XA CN113938360B (zh) | 2021-10-12 | 2021-10-12 | 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113938360A CN113938360A (zh) | 2022-01-14 |
CN113938360B true CN113938360B (zh) | 2024-02-27 |
Family
ID=79278906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111186420.XA Active CN113938360B (zh) | 2021-10-12 | 2021-10-12 | 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113938360B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865296B (zh) * | 2022-11-23 | 2024-07-02 | 东南大学 | 基于协方差的正交导频序列活跃检测方法 |
CN116366405B (zh) * | 2023-03-17 | 2023-11-07 | 哈尔滨工业大学(深圳) | 面向高移动性通信的大规模mimo信道估计方法、基站 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556431A (zh) * | 2020-04-21 | 2020-08-18 | 西安交通大学 | 一种基于信号子空间的指纹室内定位方法 |
CN113067783A (zh) * | 2021-03-18 | 2021-07-02 | 东南大学 | 一种用于分布式天线***的协方差矩阵估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107613559B (zh) * | 2017-10-12 | 2019-06-21 | 东南大学 | 一种基于5g信号的doa指纹库定位方法 |
-
2021
- 2021-10-12 CN CN202111186420.XA patent/CN113938360B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111556431A (zh) * | 2020-04-21 | 2020-08-18 | 西安交通大学 | 一种基于信号子空间的指纹室内定位方法 |
CN113067783A (zh) * | 2021-03-18 | 2021-07-02 | 东南大学 | 一种用于分布式天线***的协方差矩阵估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113938360A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111106859B (zh) | 毫米波/太赫兹网络大规模mimo无线传输方法 | |
Shaham et al. | Fast channel estimation and beam tracking for millimeter wave vehicular communications | |
CN109005551B (zh) | 一种非理想信道状态信息的多用户noma下行功率分配方法 | |
KR100559070B1 (ko) | 적응형 안테나 어레이 및 그 제어 방법 | |
CN113938360B (zh) | 一种基于指纹定位的分布式mimo***协方差矩阵估计方法 | |
CN106972907A (zh) | 大规模天线***信道训练及传输过程小区间干扰消除方法 | |
CN113067783B (zh) | 一种用于分布式天线***的协方差矩阵估计方法 | |
CN104393964B (zh) | 基于信道信息协方差的预编码方法和协作通信方法 | |
CN114337976B (zh) | 一种联合ap选择与导频分配的传输方法 | |
KR102154273B1 (ko) | 다중 안테나 적용 통신 시스템에서 부분 간섭 정렬 장치 및 방법 | |
CN110430150B (zh) | 一种基于神经网络的蜂窝移动通信***接收机设计方法 | |
Liu et al. | Robust adaptive beam tracking for mobile millimetre wave communications | |
Göttsch et al. | Deep learning-based beamforming and blockage prediction for sub-6GHz/mm wave mobile networks | |
Ohyama et al. | Intelligent reflecting surface (IRS) allocation scheduling method using combinatorial optimization by quantum computing | |
Pratschner et al. | Measured user correlation in outdoor-to-indoor massive MIMO scenarios | |
Ye et al. | Fingerprint-based covariance matrix estimation for cell-free distributed massive MIMO systems | |
Cui et al. | Seeing is not always believing: Isac-assisted predictive beam tracking in multipath channels | |
Liu et al. | An improved adaptive beamforming-based machine learning method for positioning in massive mimo systems | |
Kwon et al. | Integrated localization and communication for efficient millimeter wave networks | |
Moosavi et al. | Fingerprinting localization method based on clustering and Gaussian process regression in distributed massive MIMO systems | |
Tian et al. | MIMO CSI-based super-resolution AoA estimation for Wi-Fi indoor localization | |
Liu et al. | Beammap: Beamforming-based machine learning for positioning in massive mimo systems | |
CN105847196A (zh) | 一种基于DOA的多小区Massive MIMO***的信道估计方法 | |
Zirwas et al. | Channel prediction for B4G radio systems | |
Liao et al. | AOA-assisted fingerprint localization for cell-free massive MIMO system based on 3D multipath channel model |
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 |