CN117478251A - 一种超大规模mimo近场信道估计方法与*** - Google Patents

一种超大规模mimo近场信道估计方法与*** Download PDF

Info

Publication number
CN117478251A
CN117478251A CN202311463501.9A CN202311463501A CN117478251A CN 117478251 A CN117478251 A CN 117478251A CN 202311463501 A CN202311463501 A CN 202311463501A CN 117478251 A CN117478251 A CN 117478251A
Authority
CN
China
Prior art keywords
formula
distance
paths
array
representing
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
CN202311463501.9A
Other languages
English (en)
Other versions
CN117478251B (zh
Inventor
郭帅帅
曲开千
黄晓丹
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202311463501.9A priority Critical patent/CN117478251B/zh
Publication of CN117478251A publication Critical patent/CN117478251A/zh
Application granted granted Critical
Publication of CN117478251B publication Critical patent/CN117478251B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明涉及一种超大规模MIMO近场信道估计方法与***，属于无线通信技术领域。包括：建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；将基站接收到的信号进行前向空间平滑操作；构造协方差矩阵，引入预补偿距离，并进行一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；构造阵列流形矩阵，得到估计的信道。本发明解决了多径信道信号相干的问题并通过引入预补偿距离使二维搜索变为若干次一维搜索大大降低了复杂度，同时能够兼容仅视距路径以及视距、非视距路径同时存在的场景且具有很好的估计精度。

Description

一种超大规模MIMO近场信道估计方法与***
技术领域
本发明涉及一种超大规模MIMO近场信道估计方法与***，属于无线通信技术领域。
背景技术
大规模多输入多输出(MIMO)是当前5G通信最关键的技术之一。大规模MIMO在基站(BS)配备大规模天线阵列，可以通过波束成形或复用将频谱效率提高几个数量级。而6G***在频谱效率、峰值速率等方面的要求更高，超大规模MIMO(XL-MIMO)技术是大规模MIMO技术的进一步演进升级，可以有效实现频谱效率10倍的提升。除了XL-MIMO天线数量增加带来的阵列增益外，远场到近场的转变也是XL-MIMO的重要特性。在近场，传统的平面波假设不再满足，取而代之的是球面波。受益于球面波特性，XL-MIMO近场通信展现出很大的优势，例如高信道自由度，灵活的波束聚焦[Cui M,Wu Z,Lu Y,et al.Near-Field MIMOCommunications for 6G:Fundamentals,Challenges,Potentials,and FutureDirections[J].IEEE Communications Magazine,2023,61(1):40-46]。这些优势离不开准确的信道状态信息。但是球面波的非均匀相位变化也使得近场信道特性产生变化，准确的近场信道估计成为近场通信的一大挑战。
Cui M等人证明了近场信道的极域稀疏特性，之后建立极域码本，提出极域正交匹配追踪算法(P-OMP)解决近场信道估计问题[Cui M,Dai L.Channel Estimation forExtremely Large-Scale MIMO:Far-Field or Near-Field？[J].EEE Transactions onCommunications,2022,70(4):263-2677]。这种利用压缩感知的方法可以有效降低导频开销。但是这种方法假设信道路径的角度和距离位于极域的离散采样点上，而实际的角度和距离是连续的，这会带来分辨率损失。
与上述方法不同的是，本发明方法拟采用空间谱估计(SSE)的方法解决近场信道估计的问题。在远场角域稀疏信道中，已有文献采用空间谱估计获得路径角度信息，再利用最小二乘法(LS)估计路径增益，而MUSIC算法由于其高分辨率的优点被用于空间谱估计，该方法表现出了很好的估计性能。尽管超大规模天线可以进一步提升MUSIC算法的估计精度，但并不能直接应用到近场信道估计中。受此启发，一种直接的方法是利用二维MUSIC(2D-MUSIC)估计路径的角度和距离，再估计路径增益。这种直接的方法面临二维搜索复杂度高、多径信道的信号相干导致估计不准确的问题。
发明内容
本发明提供了一种超大规模MIMO近场信道估计方法与***。具体来说，本发明考虑了超大规模天线阵列孔径大、近场区覆盖广的趋势，针对近场通信信道进行估计。首先，用户发射导频信号。当视距路径和非视距路径(NLoS)同时存在时，对基站接收到的信号进行前向空间平滑(FSS)操作，在第一阶段，基站通过预补偿距离的一维角度MUSIC估计路径的角度，在第二阶段，利用一维距离MUSIC估计路径距离，通过LS估计所有路径增益，所提算法通过空间平滑解决了多径信道信号相干的问题并通过引入预补偿距离使二维搜索变为若干次一维搜索大大降低了复杂度，同时所提算法能够兼容仅视距路径以及视距、非视距路径同时存在的场景且具有很好的估计精度。
本发明的技术方案为：
一种超大规模MIMO近场信道估计方法，运行于近场通信***，该近场通信***包括配备若干根天线的基站和单天线用户设备，包括：
建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；
将基站接收到的信号进行前向空间平滑操作；
根据前向空间平滑操作后得到的信号构造协方差矩阵，引入预补偿距离rc，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；
根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；
根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道。
根据本发明优选的，建立近场通信***模型和近场通信信道模型，是指：用户发射导频信号经过信道被基站接收的过程表示如式(1)所示模型即近场通信***模型：
Y＝hxT+N (1)
式(1)中，代表基站接收到的信号；/>代表近场通信信道模型；代表用户发射的导频信号，满足归一化功率约束/> 代表服从均值为0方差为σ2复高斯白噪声，Nt表示基站发射端天线数目，L是指导频信号的长度。
进一步优选的，对于近场通信信道，采用近场阵列响应矢量表示方法，将近场通信信道模型h表示为式(2)：
式(2)中，α0，θ0和r0分别表示LoS路径的增益，角度和距离，αk，θk和rk分别表示第k条NLoS路径的增益，角度和距离，k表示NLoS路径的数量；
另外，a(·)表示近场阵列响应矢量，表示为式(3):
式(3)中，θ,r表示观测点到天线阵列中心的角度和距离，ri表示观测点到第i个天线的距离，表示为其中/>并且d表示天线间距。
进一步优选的，将信道模型重新描述为阵列接收信号模型，是指将式(1)等价变形为式(4)：
Y＝AS+N (4)
式(4)中，表示接收信号阵列流形矩阵，/>表示重构的信号，其中/>表示增益系数向量。
根据本发明优选的，将基站接收到的信号进行前向空间平滑操作，是指：将基站天线阵列划分为Q个子阵列，每个子阵列包含M＝Nt-Q+1个天线，将第一个子阵列作为参考阵列，构造式(5)所示变换矩阵：
Zq＝[0M×(q-1) IM 0M×(Q-q)] (5)
式(5)中，0M×(q-1)表示元素全为0的M×(q-1)的矩阵，IM表示M×M的单位矩阵，0M×(Q-q)表示元素全为0的M×(Q-q)的矩阵；
根据式(5)以及式(4)所示的原接收信号模型，得到Q个经过前向空间平滑的接收信号Yq,q＝1,2,…,Q，表示为式(6)：
Yq＝ZqY (6)。
根据本发明优选的，根据前向空间平滑操作后得到的信号构造协方差矩阵，是指：根据式(6)构造协方差矩阵如式(7)所示：
式(7)中，表示原接收信号的协方差矩阵。
根据本发明优选的，引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息，包括：
对协方差矩阵进行奇异值分解，得到式(8)：
式(8)中，和Λ分别代表特征向量组成的酉矩阵和特征值组成对角矩阵；根据MUSIC算法，根据特征值的大小，对U分解得到U＝[US|UN]，其中/>表示信号子空间，/>表示噪声子空间，假设NLoS路径数K已知；
预补偿距离的一维角度域MUSIC谱表示为式(9)：
式(9)中，aM(·)代表子阵参考阵列的响应矢量，rc表示引入的预补偿距离，Ωθ表示角度搜索空间，表示为：
式(10)中，θ,r表示观测点到子阵列中心的角度和距离，ri表示观测点到第i个天线的距离，表示为其中/>并且d表示天线间距。
进一步优选的，假设已知基站在近场工作的距离范围或者预测了近场用户可能出现的距离范围[rmin,rmax]，将rc的选择建立为相关系数积分最大化问题，如式(11)所示：
式(11)中，rmin表示基站在近场工作的距离范围或近场用户可能出现的距离范围的最小值，rmax表示基站在近场工作的距离范围或近场用户可能出现的距离范围的最大值。
求解式(11)即得到rc；具体求解步骤包括：
1)基于泰勒近似对问题进行化简；根据泰勒近似，可以得到式(10)中的进一步得到式(12)表示的相关系数：
式(12)中，M表示子阵列的天线数目，ρ代表相关系数即式(12)约等号右边的部分；
2)对式(12)所示相关系数进行取实数操作；取实数后，(12)中的每一项都是余弦表达式real{·}表示取实数操作，再次利用泰勒近似得到/>将(12)表示的复相关系数近似的表示为实相关系数，如式(13)所示：
式(13)中，real{·}表示取实数操作，是一个通过等幂和计算得到的常数；
3)将式(11)问题中的相关系数aM(θ,rc)用式(13)得到的/>代替，化简为式(14)：
式(14)中，log(·)表示自然对数函数；
4)求解式(14)等价于找到式(14)相对于变量rc的一阶导数的零点，得到式(15)：
完成预补偿距离的选择；
根据式(15)得到的预补偿距离，对式(IX)中的MUSIC谱进行谱峰搜索，得到所有路径的角度估计
至此，完成引入预补偿距离，并进行一维角度域MUSIC谱搜索，得到所有路径的角度信息。
根据本发明优选的，根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息，包括：根据每条路径的角度估计信息，执行一次距离域的MUSIC谱搜索，如式(16)：
根据式(16)执行K+1次距离域一维MUSIC谱峰搜索，遍历所有估计的角度，得到所有路径的距离估计信息
根据本发明优选的，根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道；包括：
根据得到的所有路径的角度信息和所有路径的距离信息，构造估计的阵列流形矩阵
对式(4)所示的接收信号，进行匹配滤波得到式(17)：
式(17)中，表示匹配滤波之后的噪声项。
根据估计的阵列流形矩阵路径增益的最小二乘估计表示为式(18)：
最终得到估计的信道
一种超大规模MIMO近场信道估计***，包括：
近场通信***模型和近场通信信道模型建立单元，被配置为：建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；
前向空间平滑操作单元，被配置为：将基站接收到的信号进行前向空间平滑操作；
路径角度信息获取单元，被配置为：根据前向空间平滑操作后得到的信号构造协方差矩阵，引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；
路径距离信息获取单元，被配置为：根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；
信道估计单元，被配置为：根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道。
本发明的有益效果为：
本发明提供了一种超大规模MIMO近场信道估计方法与***，针对近场通信信道进行估计。本发明通过空间平滑解决了多径信道信号相干的问题并通过引入预补偿距离使二维搜索变为若干次一维搜索大大降低了复杂度，同时所提算法能够兼容仅视距路径以及视距、非视距路径同时存在的场景且具有很好的估计精度。
附图说明
图1是本发明应用的超大规模MIMO近场通信***的示意图；
图2是前向空间平滑算法示意图；
图3是仅视距路径存在时不同信噪比下、不同方法的归一化均方误差性能对比结果示意图；
图4是视距、非视距路径同时存在时不同信噪比下、不同方法归一化均方误差性能对比结果示意图；
图5是不同预补偿距离对本发明所提方法的归一化均方误差性能的影响结果示意图；
图6是不同导频长度下不同方法的归一化均方误差性能对比结果示意图；
图7是不同距离下不同方法的归一化均方误差性能对比结果示意图。
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
一种超大规模MIMO近场信道估计方法，运行于近场通信***，如图1所示，该近场通信***包括配备Nt根天线的基站和单天线用户设备，基站天线采用均匀线性阵列且天线阵元间距d为波长λ的一半，用户设备位于基站的近场范围内，即用户设备到基站的距离小于基站的瑞利距离该近场通信***采用时分双工工作模式，在正式传输通信数据之前，用户发射长度为L的导频信号/>进行信道估计，导频信号满足归一化功率约束/>包括：
建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；
将基站接收到的信号进行前向空间平滑操作；
根据前向空间平滑操作后得到的信号构造协方差矩阵，引入预补偿距离rc，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；
根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；
根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道。
实施例2
根据实施例1所述的一种超大规模MIMO近场信道估计方法，其区别在于：
建立近场通信***模型和近场通信信道模型，是指：用户发射导频信号经过信道被基站接收的过程表示如式(1)所示模型即近场通信***模型：
Y＝hxT+N (1)
式(1)中，代表基站接收到的信号；/>代表近场通信信道模型；代表用户发射的导频信号，满足归一化功率约束/> 代表服从均值为0方差为σ2复高斯白噪声，Nt表示基站发射端天线数目，L是指导频信号的长度。
对于近场通信信道，采用近场阵列响应矢量表示方法，将近场通信信道模型h表示为式(2)：
式(2)中，α0，θ0和r0分别表示LoS路径的增益，角度和距离，αk，θk和rk分别表示第k条NLoS路径的增益，角度和距离，k表示NLoS路径的数量；
另外，a(·)表示近场阵列响应矢量，表示为式(3):
式(3)中，θ,r表示观测点到天线阵列中心的角度和距离，ri表示观测点到第i个天线的距离，表示为其中/>并且d表示天线间距。
将近场通信***模型重新描述为阵列接收信号模型，是指将式(1)等价变形为式(4)：
Y＝AS+N (4)
式(4)中，表示接收信号阵列流形矩阵，/>表示重构的信号，其中/>表示增益系数向量。
实施例3
根据实施例1或2所述的一种超大规模MIMO近场信道估计方法，其区别在于：
将基站接收到的信号进行前向空间平滑操作，如图2所示，是指：当NLoS路径数K＞0时，分析出式(4)中的S＝bxT秩始终为1，小于实际的路径数(信号数)，产生了信号相干的现象，为了保证拟采用的MUSIC算法的有效性，需要对接收信号进行前向空间平滑解相干，恢复信号的秩，具体是指：将基站天线阵列划分为Q个子阵列，每个子阵列包含M＝Nt-Q+1个天线，将第一个子阵列作为参考阵列，构造式(5)所示变换矩阵：
Zq＝[0M×(q-1) IM 0M×(Q-q)] (5)
式(5)中，0M×(q-1)表示元素全为0的M×(q-1)的矩阵，IM表示M×M的单位矩阵，0M×(Q-q)表示元素全为0的M×(Q-q)的矩阵；
根据式(5)以及式(4)所示的原接收信号模型，得到Q个经过前向空间平滑的接收信号Yq,q＝1,2,…,Q，表示为式(6)：
Yq＝ZqY (6)。
实施例4
根据实施例1-3任一所述的一种超大规模MIMO近场信道估计方法，其区别在于：
根据前向空间平滑操作后得到的信号构造协方差矩阵，是指：根据式(6)构造协方差矩阵如式(7)所示：
式(7)中，表示原接收信号的协方差矩阵。
引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息，包括：
对协方差矩阵进行奇异值分解，得到式(8)：
式(8)中，和Λ分别代表特征向量组成的酉矩阵和特征值组成对角矩阵；根据MUSIC算法，根据特征值的大小，对U分解得到U＝[US|UN]，其中/>表示信号子空间，/>表示噪声子空间，假设NLoS路径数K已知；
预补偿距离的一维角度域MUSIC谱表示为式(9)：
式(9)中，aM(·)代表子阵参考阵列的响应矢量，rc表示引入的预补偿距离，Ωθ表示角度搜索空间，与式(3)类似，表示为：
式(10)中，θ,r表示观测点到子阵列中心的角度和距离，ri表示观测点到第i个天线的距离，表示为其中/>并且d表示天线间距。
对于预补偿距离的选取准则是使rc对应的阵列响应矢量aM(θ,rc)与真实距离对应的阵列响应矢量aM(θ,r)之间的相关系数尽可能大[He,J,Shu,T.Effectof Approximate Planar Wavefront on Far-Field Direction Finding[J].IEEECommunications Letters,2022,26(3):657-661.]。合理地假设已知基站在近场工作的距离范围或者预测了近场用户可能出现的距离范围[rmin,rmax]，将rc的选择建立为相关系数积分最大化问题，如式(11)所示：
式(11)中，rmin表示基站在近场工作的距离范围或近场用户可能出现的距离范围的最小值，rmax表示基站在近场工作的距离范围或近场用户可能出现的距离范围的最大值。
求解式(11)即得到rc；具体求解步骤包括：
1)基于泰勒近似对问题进行化简；根据泰勒近似，可以得到式(10)中的进一步得到式(12)表示的相关系数：
式(12)中，M表示子阵列的天线数目，ρ代表相关系数即式(12)约等号右边的部分；
2)由于对复相关系数进行取实不影响相关性的衡量，因此对式(12)所示相关系数进行取实数操作；取实数后，式(12)中的每一项都是余弦表达式real{·}表示取实数操作，再次利用泰勒近似得到将式(12)表示的复相关系数近似的表示为实相关系数，如式(13)所示：
式(13)中，real{·}表示取实数操作，是一个通过等幂和计算得到的常数；
3)将式(11)问题中的相关系数用式(13)得到的/>代替，化简为式(14)：
式(14)中，log(·)表示自然对数函数；
4)求解式(14)等价于找到式(14)相对于变量rc的一阶导数的零点，得到式(15)：
完成预补偿距离的选择；
根据式(15)得到的预补偿距离，对式(9)中的MUSIC谱进行谱峰搜索，得到所有路径的角度估计
至此，完成引入预补偿距离，并进行一维角度域MUSIC谱搜索，得到所有路径的角度信息。
根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息，包括：根据每条路径的角度估计信息，执行一次距离域的MUSIC谱搜索，如式(16)：
根据式(16)执行K+1次距离域一维MUSIC谱峰搜索，遍历所有估计的角度，得到所有路径的距离估计信息
实施例5
根据实施例1-4任一所述的一种超大规模MIMO近场信道估计方法，其区别在于：
根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道；包括：
根据得到的所有路径的角度信息和所有路径的距离信息，构造估计的阵列流形矩阵
对式(4)所示的接收信号，进行匹配滤波得到式(17)：
式(17)中，表示匹配滤波之后的噪声项。
根据估计的阵列流形矩阵路径增益的最小二乘估计表示为式(18)：
最终得到估计的信道
在本实施例中，载波波长λ＝10mm，载波频率fc＝30GHz，设定的基站均匀线性阵列的天线数Nt＝129，用于前向空间平滑的子阵列天线数目M＝105，假设用户或散射体到基站的距离在[8,30]米内产生，用户或散射体与基站的角度在[-60°,60°]内产生，利用信道估计的归一化均方误差(NMSE)来衡量估计性能，其定义为在本实施例中本发明所提方法与现有的极域P-OMP方法，最小二乘LS方法以及传统的2-D MUSIC进行对比。
图3展示了仅视距路径存在时不同方法在不同信噪比下的信道估计性能，导频长度设置为L＝1，可以看出本发明所提方法由于现有的极域P-OMP以及最小二乘LS方法。而传统的2-D MUSIC直接拓展到近场信道估计在仅LoS场景下由于其较大的阵列孔径因此拥有略好一点的性能。但是在图4中展示的视距路径与非视距路径同时存在时(设置非视距路径数为K＝3)的性能结果图可以看出，多条路径导致信号相干，传统的2-D MUSIC算法性能损失较大，而本发明所提方法引入了前向空间平滑算法抵抗多径相干现象，仍然拥有很好的性能。另外由于本发明所提算法将二维搜索分解为一维搜索，因此极大地降低了复杂度。综合图3和图4，本发明所提方法在降低复杂度的同时，在仅视距路径和视距路径、非视距路径同时存在的场景都具有良好的性能。
图5展示了不同的预补偿距离对本发明所提方法性能的影响，设置非视距路径数K＝3，可以看出在本实施例式(15)推导的预补偿距离附近，归一化均方误差性能最好，表明本发明中推导的预补偿距离的正确性。
图6展示了不同导频长度下的不同方法的性能，设置信噪比为5dB，非视距路径数K＝3，可以看出本发明所提方法性能超过对比算法，体现了所提方法在低导频开销方面也具有优势。
图7展示了不同距离下、不同方法的归一化均方误差性能对比结果图，为了突出距离变化对NMSE性能的影响，假设用户和散射体距离相同但角度不同，此外保持导频长度为1、非视距路径数为3、信噪比为5dB的设置，从本发明所提方法的曲线可以看出，实际距离越接近预补偿距离rc，估计精度就越高，准确度就越高。在距离变化的过程中，所提出的算法在大多数距离下都优于对比算法。
实施例6
一种超大规模MIMO近场信道估计***，包括：
近场通信***模型和近场通信信道模型建立单元，被配置为：建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；
前向空间平滑操作单元，被配置为：将基站接收到的信号进行前向空间平滑操作；
路径角度信息获取单元，被配置为：根据前向空间平滑操作后得到的信号构造协方差矩阵，引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；
路径距离信息获取单元，被配置为：根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；
信道估计单元，被配置为：根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道。

Claims (10)

1.一种超大规模MIMO近场信道估计方法，其特征在于，运行于近场通信***，该近场通信***包括配备若干根天线的基站和单天线用户设备，包括：
建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；
将基站接收到的信号进行前向空间平滑操作；
根据前向空间平滑操作后得到的信号构造协方差矩阵，引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；
根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；
根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道。
2.根据权利要求1所述的一种超大规模MIMO近场信道估计方法，其特征在于，建立近场通信***模型和近场通信信道模型，是指：用户发射导频信号经过信道被基站接收的过程表示如式(1)所示模型即近场通信***模型：
Y＝hxT+N (1)
式(1)中，代表基站接收到的信号；/>代表近场通信信道模型；/>代表用户发射的导频信号，满足归一化功率约束/> 代表服从均值为0方差为σ2复高斯白噪声，Nt表示基站发射端天线数目，L是指导频信号的长度；
进一步优选的，对于近场通信信道，采用近场阵列响应矢量表示方法，将近场通信信道模型h表示为式(2)：
式(2)中，α0，θ0和r0分别表示LoS路径的增益，角度和距离，αk，θk和rk分别表示第k条NLoS路径的增益，角度和距离，k表示NLoS路径的数量；
另外，a(·)表示近场阵列响应矢量，表示为式(3):
式(3)中，θ,r表示观测点到天线阵列中心的角度和距离，ri表示观测点到第i个天线的距离，表示为其中/>并且d表示天线间距。
3.根据权利要求2所述的一种超大规模MIMO近场信道估计方法，其特征在于，将信道模型重新描述为阵列接收信号模型，是指将式(1)等价变形为式(4)：
Y＝AS+N (4)
式(4)中，表示接收信号阵列流形矩阵，表示重构的信号，其中/>表示增益系数向量。
4.根据权利要求3所述的一种超大规模MIMO近场信道估计方法，其特征在于，将基站接收到的信号进行前向空间平滑操作，是指：将基站天线阵列划分为Q个子阵列，每个子阵列包含M＝Nt-Q+1个天线，将第一个子阵列作为参考阵列，构造式(5)所示变换矩阵：
Zq＝[0M×(q-1) IM 0M×(Q-q)] (5)
式(5)中，0M×(q-1)表示元素全为0的M×(q-1)的矩阵，IM表示M×M的单位矩阵，0M×(Q-q)表示元素全为0的M×(Q-q)的矩阵；
根据式(5)以及式(4)所示的原接收信号模型，得到Q个经过前向空间平滑的接收信号Yq,q＝1,2,…,Q，表示为式(6)：
Yq＝ZqY (6)。
5.根据权利要求4所述的一种超大规模MIMO近场信道估计方法，其特征在于，根据前向空间平滑操作后得到的信号构造协方差矩阵，是指：根据式(6)构造协方差矩阵如式(7)所示：
式(7)中，表示原接收信号的协方差矩阵。
6.根据权利要求1所述的一种超大规模MIMO近场信道估计方法，其特征在于，引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息，包括：
对协方差矩阵进行奇异值分解，得到式(8)：
式(8)中，和Λ分别代表特征向量组成的酉矩阵和特征值组成对角矩阵；根据MUSIC算法，根据特征值的大小，对U分解得到U＝[US|UN]，其中/>表示信号子空间，/>表示噪声子空间，假设NLoS路径数K已知；
预补偿距离的一维角度域MUSIC谱表示为式(9)：
式(9)中，aM(·)代表子阵参考阵列的响应矢量，rc表示引入的预补偿距离，Ωθ表示角度搜索空间，表示为：
式(10)中，θ,r表示观测点到子阵列中心的角度和距离，ri表示观测点到第i个天线的距离，表示为其中/>并且d表示天线间距。
7.根据权利要求1所述的一种超大规模MIMO近场信道估计方法，其特征在于，假设已知基站在近场工作的距离范围或者预测了近场用户可能出现的距离范围[rmin,rmax]，将rc的选择建立为相关系数积分最大化问题，如式(11)所示：
式(11)中，rmin表示基站在近场工作的距离范围或近场用户可能出现的距离范围的最小值，rmax表示基站在近场工作的距离范围或近场用户可能出现的距离范围的最大值；
进一步优选的，求解式(11)即得到rc；具体求解步骤包括：
1)基于泰勒近似对问题进行化简；根据泰勒近似，得到式(10)中的进一步得到式(12)表示的相关系数：
式(12)中，M表示子阵列的天线数目，ρ代表相关系数即式(12)约等号右边的部分；
2)对式(12)所示相关系数进行取实数操作；取实数后，式(12)中的每一项都是余弦表达式real{·}表示取实数操作，再次利用泰勒近似得到/>将式(12)表示的复相关系数近似的表示为实相关系数，如式(13)所示：
式(13)中，real{·}表示取实数操作，是一个通过等幂和计算得到的常数；
3)将式(11)问题中的相关系数用式(13)得到的/>代替，化简为式(14)：
式(14)中，log(·)表示自然对数函数；
4)求解式(14)等价于找到式(14)相对于变量rc的一阶导数的零点，得到式(15)：
完成预补偿距离的选择；
根据式(15)得到的预补偿距离，对式(9)中的MUSIC谱进行谱峰搜索，得到所有路径的角度估计
至此，完成引入预补偿距离，并进行一维角度域MUSIC谱搜索，得到所有路径的角度信息。
8.根据权利要求1所述的一种超大规模MIMO近场信道估计方法，其特征在于，根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息，包括：根据每条路径的角度估计信息，执行一次距离域的MUSIC谱搜索，如式(16)：
根据式(16)执行K+1次距离域一维MUSIC谱峰搜索，遍历所有估计的角度，得到所有路径的距离估计信息
9.根据权利要求1-8任一所述的一种超大规模MIMO近场信道估计方法，其特征在于，根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道；包括：
根据得到的所有路径的角度信息和所有路径的距离信息，构造估计的阵列流形矩阵
对式(4)所示的接收信号，进行匹配滤波得到(17)：
式(17)中，表示匹配滤波之后的噪声项；
根据估计的阵列流形矩阵路径增益的最小二乘估计表示为式(18)：
最终得到估计的信道
10.一种超大规模MIMO近场信道估计***，其特征在于，包括：
近场通信***模型和近场通信信道模型建立单元，被配置为：建立近场通信***模型和近场通信信道模型，将近场通信***模型重新描述为阵列接收信号模型；
前向空间平滑操作单元，被配置为：将基站接收到的信号进行前向空间平滑操作；
路径角度信息获取单元，被配置为：根据前向空间平滑操作后得到的信号构造协方差矩阵，引入预补偿距离，并进行预补偿距离的一维角度域MUSIC谱搜索，得到估计的所有路径的角度信息；
路径距离信息获取单元，被配置为：根据得到的所有路径的角度信息，进行一维距离域MUSIC谱搜索，得到估计的所有路径的距离信息；
信道估计单元，被配置为：根据得到的所有路径的角度信息和所有路径的距离信息构造阵列流形矩阵，结合阵列接收信号模型，利用最小二乘估计路径增益，最终得到估计的信道。
CN202311463501.9A 2023-11-06 2023-11-06 一种超大规模mimo近场信道估计方法与*** Active CN117478251B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311463501.9A CN117478251B (zh) 2023-11-06 2023-11-06 一种超大规模mimo近场信道估计方法与***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311463501.9A CN117478251B (zh) 2023-11-06 2023-11-06 一种超大规模mimo近场信道估计方法与***

Publications (2)

Publication Number Publication Date
CN117478251A true CN117478251A (zh) 2024-01-30
CN117478251B CN117478251B (zh) 2024-08-09

Family

ID=89627120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311463501.9A Active CN117478251B (zh) 2023-11-06 2023-11-06 一种超大规模mimo近场信道估计方法与***

Country Status (1)

Country Link
CN (1) CN117478251B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112436872A (zh) * 2020-11-02 2021-03-02 北京邮电大学 一种多用户大规模mimo信道估计方法与装置
WO2021139208A1 (zh) * 2020-01-08 2021-07-15 华南理工大学 一种基于特定频率组合信号的一维doa估计方法
WO2022127076A1 (zh) * 2020-12-18 2022-06-23 海南大学 基于张量高阶奇异值分解的雷达角度和距离估计方法
CN115208442A (zh) * 2022-05-30 2022-10-18 东南大学 一种超大规模阵列通信***的两阶段波束训练方法
CN115883297A (zh) * 2022-12-05 2023-03-31 中山大学 一种基于信源参数估计的超大规模mimo混合场信道估计方法
CN116155326A (zh) * 2023-04-19 2023-05-23 南京邮电大学 超大规模mimo混合场信道下的去伪峰信道估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139208A1 (zh) * 2020-01-08 2021-07-15 华南理工大学 一种基于特定频率组合信号的一维doa估计方法
CN112436872A (zh) * 2020-11-02 2021-03-02 北京邮电大学 一种多用户大规模mimo信道估计方法与装置
WO2022127076A1 (zh) * 2020-12-18 2022-06-23 海南大学 基于张量高阶奇异值分解的雷达角度和距离估计方法
CN115208442A (zh) * 2022-05-30 2022-10-18 东南大学 一种超大规模阵列通信***的两阶段波束训练方法
CN115883297A (zh) * 2022-12-05 2023-03-31 中山大学 一种基于信源参数估计的超大规模mimo混合场信道估计方法
CN116155326A (zh) * 2023-04-19 2023-05-23 南京邮电大学 超大规模mimo混合场信道下的去伪峰信道估计方法

Also Published As

Publication number Publication date
CN117478251B (zh) 2024-08-09

Similar Documents

Publication Publication Date Title
CN112436872B (zh) 一种多用户大规模mimo信道估计方法与装置
CN110336761B (zh) 毫米波大规模mimo***的波束空间信道估计方法
CN105891771B (zh) 一种提高估计精度的基于连续分布的角度估计方法与设备
CN111766560B (zh) 一种基于无人机移动监测的多信源高精度直接定位方法
CN110749857B (zh) 基于秩损法的均匀矩形阵列二维非圆信号doa估计方法
CN108650200B (zh) 高低频混合组网***的低频辅助信道估计方法
CN109239657A (zh) 装载嵌套阵无人机平台下的辐射源高精度定位方法
CN106788655B (zh) 互耦条件下未知互耦信息的干扰相干稳健波束形成方法
CN109861933B (zh) 一种基于music算法和预编码的毫米波mimo信道估计方法
CN111965595A (zh) 一种基于无人机的多非圆信源高精度直接定位方法
CN102571178A (zh) 一种eirp受限***中的波束成形方法
CN113438682A (zh) 一种基于波束成形的sage-bem 5g无线信道参数提取方法
CN110719127B (zh) 一种具有恒模约束的毫米波mimo***波束成形方法
CN114520699B (zh) 可重构智能表面辅助毫米波通信的低复杂度信道估计方法
CN110086734B (zh) 一种时变大规模mimo***中的信道追踪和恢复方法
CN110636018B (zh) 一种网格补偿大规模mimo信道估计方法
CN117075033A (zh) 基于修正降维music的智能超表面辅助的用户定位方法
CN117478251B (zh) 一种超大规模mimo近场信道估计方法与***
CN115361258B (zh) 一种大规模mimo稀疏信道估计方法及相关设备
CN114966523A (zh) 大规模mimo测向中基于幂迭代算法的doa估计方法
US11476727B2 (en) Transmitter apparatus and transmission method for a wireless power transmission system providing improved wireless power transmission efficiency
CN115914994A (zh) 混合场波束偏移效应下智能超表面辅助的低开销定位方法
Zhao et al. Active phased array radar-based 2D beamspace MUSIC channel estimation for an integrated radar and communication system
Xu et al. Channel estimation for reconfigurable intelligent surface-assisted multiple antennas communication systems
CN115278869B (zh) 幂迭代辅助Root-MUSIC的快速MIMO测向方法及装置

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