大规模天线系统信道训练及传输过程小区间干扰消除方法技术方案

大规模天线系统信道训练及传输过程小区间干扰消除方法，本方法分析和解决大规模多输入多输出天线系统中信道估计和数据传输过程中的小区间干扰问题。考虑到空间相关信道在角度域的系数特性，期望信道和干扰信道的多径很难具有相同的到达角，这使得在角度域期望信道的分量和干扰信道的分量可分辨。上行数据子帧中的符号数远多于导频序列的长度。通过抽取信道粗估计中相应位置上的信道系数可以得到信道的精估计，进而根据精估计信道进行下行数据传输的预编码。仿真结果表明，无论相邻小区采用同一组正交导频序列还是不同的导频序列，所提出的信道估计方法都有效地消除了导频污染。

Inter cell interference cancellation method for channel training and transmission process of large-scale antenna system

Large scale antenna system channel training and the transmission process of inter cell interference cancellation method, the method of analyzing and solving large-scale multi input multi output interference antenna system channel estimation and data transmission in the process of inter cell. Considering the coefficients in angle domain spatial correlation channel, multipath channel and interference channel expectations are difficult to have the same angle of arrival, which makes the angle domain component and the desired channel interference channel component can be resolved. The number of symbols in uplink data frames is far more than that of pilot sequences. By extracting the channel coefficients at the corresponding locations in the rough estimation of channels, we can obtain the precise estimation of the channel, and then precoding the downlink data transmission according to the fine estimation channel. The simulation results show that the proposed channel estimation method can effectively eliminate pilot pollution whether the adjacent cells adopt the same set of orthogonal pilot sequences or different pilot sequences.

【技术实现步骤摘要】
大规模天线系统信道训练及传输过程小区间干扰消除方法
本专利技术公开了一种大规模天线系统信道训练及传输过程小区间干扰消除法，属于通讯

技术介绍
为了满足爆炸式增长的移动通信服务需求，迎接物联网、车联网、触觉网等新应用的到来，第五代移动通信系统(5G)正向“信息随心至，万物触手及”的远景目标发展。相比于第四代移动通信系统(4G)，5G预期传输速率达到10Gbps，是4G的100倍。与此同时，5G还要满足低延时高可靠、低功率大传输、以及热点高覆盖等需求。近年来，若干项关键技术被认为是实现5G预期指标的重要方法，已经引起了大量的关注，其中包括大规模多输入多输出(MassiveMulti-inputMulti-output，MassiveMIMO)、超密集网络(Ultra-densenetwork，UDN)、全双工(FullDuplex，FD)以及设备间通信(Device2-Device，D2D)等。MassiveMIMO是满足5G蜂窝网高数据率需求的一项关键技术。在2010年T.L,Marzetta开始提出MassiveMIMO时[1]，他指出当基站天线数趋于无穷时，小区间干扰(Intercellinterference，ICI)不再是制约系统性能的主要因素。随着基站端天线数增多(远大于所服务的用户数，其典型值为128和256)，MassiveMIMO的空间自由度很大，空间分辨率极高，在已知信道状态信息(Channelstateinformation，CSI)的条件下有能力消除对邻小区用户的干扰，从而大大提高网络的吞吐量。MassiveMIMO系统是否能够达到很高的吞吐量依赖于准确的实时信道估计。在LTE帧结构中，导频被用来进行信道估计。以时分双工(Timedivisionduplex，TDD)系统为例，用户在上行帧的末尾发送导频序列用于在基站进行信道估计。常用的信道估计方法有基于最小二乘(Leastsquare，LS)的算法和基于最小均方误差(Minimummeansquareerror，MMSE)的算法。基站认为在一整帧的时间内信道保持不变，一旦获得信道估计，就利用估计的信道计算用于上行传输数据解调的检测器和下行传输时使用的预编码。MassiveMIMO系统能够达到性能潜力强烈依赖于获取事实信道状态信息的质量。在传统的多小区MIMO系统中，多个小区内的用户向基站发送相互正交的导频序列，基站根据接收信号估计出期望用户的信道向量。然而实际中正交序列的长度有限，因此只能保证同一小区中选取同一序列用作导频的用户将在信道估计的过程中互相干扰，从而严重影响信道估计的质量。在文献中，一般称由于正交序列复用而产生的信道估计误差为导频污染。如果相邻小区之间使用不同的正交序列集，正如目前LTE系统中所采用的，则此时不同小区的正交序列之间存在相关性，导致基站在对本小区用户进行信道估计时被相邻小区用户的信道干扰。由于训练序列不完全正交导致的信道估计误差，在本文中被称为交叉污染。在实际的蜂窝系统中小区间干扰是制约MassiveMIMO系统可达数据率的另一个问题。尽管理论上MassiveMIMO巨大的天线数将干扰抑制在一个非常低的水平，在实际系统中天线数不可能趋于无穷，此时ICI仍然会成为制约系统性能的瓶颈。预测5G中单个小区的平均用户数为10～104，假设激活用户比例式10％，则意味着每个基站需要同时服务的用户数为10～103。即使最保守地假设每个用户用一个资源块(Resourceblock，RB)，如180kHz，对于20MHz的LTE系统，在每个资源块上仍然要空分服务至多10个用户；若为每个用户提供1MHz的带宽，即6个RB，则要空分至多60个用户。在这种条件下，MassiveMIMO基站的天线数已经不再远远超过服务的用户数，此时ICI成为影响网络性能的一大问题。此时需要基站间的协作传输来回避干扰，这也是本方法要解决的问题。在同构网中，小区边缘用户的服务质量一般不如中心用户，在宏小区中加入微小区对宏基站起到分流作用，并服务质量较差的用户(多为那些距离宏基站较远的)，从而提升网络的总吞吐量和边缘用户的性能。传统的易购网由于宏基站天线数较少(典型值8根)，微基站的分流作用对网络性能提升明显。在异构MassiveMIMO系统中，尽管宏基站的空分能力很强，但经过合理设计微小区的分布，网络的整体性能预计会在同构MassiveMIMO之上。异构MassiveMIMO中存在跨层干扰，由于微基站的回传链路限制，层间采用正交时频资源传输以及小区间协调波束成形，可能成为在异构MassiveMIMO系统中高效抑制跨层干扰的方法。
技术实现思路
本专利技术将检测得到的上行子帧中的数据符号当做导频序列来估计期望信道在角度域的位置和幅值。然后，利用这一信息对由上行导频序列训练得到的粗估计信道进行精估计以消除导频污染，并利用这个精估计信道设计用于下行数据传输的与编码器。最后，通过仿真结果评估所提出方法的性能。粗体符号表示矩阵和向量。IM表示M阶单位矩阵。E{·}表示取期望。|·|表示取模。diag{g}是以g的元素为对角元的对角阵。g[j]表示向量g的第j个元素。(·)*，(·)T和(·)H分别表示共轭、转置和共轭转置。考虑一个B小区时分双工全频复用蜂窝网络。在每个小区中，每个基站配备Nt根天线服务M个单天线用户。每一帧包含一个上行子帧和一个下行子帧，其中上行子帧由上行训练段和上行数据传输段组成。如图1所示为TDD帧结构示意图。假设块衰落信道，在每帧中保持不变、帧间相互独立。基站端天线阵列为均匀线阵。则第b个基站到第k小区第m个用户的单元域信道向量表示为：其中Lmk,b是信道的可分辨多径数，是第l条径的幅值，为统计独立的零均值复数，是第l条多径的到达角，是阵列响应向量，表示为：其中d是阵列天线间距，λ是波长。许多场景下MassiveMIMO的信道在角度域具有稀疏特性。对均匀线阵而言，其单元域信道和角度域信道互为傅里叶变换。用表示Nt点傅里叶变换矩阵，其第(n,m)个元素的值为1≤n，m≤Nt。第b个基站到第k小区第m个用户的角度域信道表示为其中是第l条多径阵列响应向量的角度域表示。将公式(2.2)以及的表达式代入，则的第n个元素表示为：其中的模值是这是一个的周期函数，其峰值出现在处，其中k为整数。由于MassiveMIMO的天线数很多，只有满足时模值才会较大。只有那些到达角满足的多径分量才对有显著地贡献。由于空间散射体的数量有限，多径分量数也是有限的，这由传播环境决定。如此，中只有少部分元素有较大的模值，而其他原色被看作零。因此，当Nt很大的时候被近似看作稀疏向量。信道的角度域稀疏特性为分辨不同用户的信道提供了可能，如图2所示。采用角度域信道估计来消除导频污染。在上行训阶段，所有用户向基站发送导频以协助基站进行信道估计。令为第b个小区第m个用户分配到的导频序列，同一小区内不同用户分配到的导频序列相互正交。也就是说，以及j≠m。则第b个基站接收到的导频序列表示为：其中pU是发射功率，Hb,b是第b个基站到本小区所有用户的信道矩阵。是第b个基站到第k(k≠b)个小区所有用户的信道矩阵，是导频矩阵，其每一行是分配给第b个小区所有用户的导频序列。是加性本文档来自技高网...

【技术保护点】
大规模天线系统信道训练及传输过程小区间干扰消除方法，本方法将检测得到的上行子帧中的数据符号当做导频序列来估计期望信道在角度域的位置和幅值；然后，利用这一信息对由上行导频序列训练得到的粗估计信道进行精估计以消除导频污染，并利用这个精估计信道设计用于下行数据传输的与编码器；最后，通过仿真结果评估所提出方法的性能；粗体符号表示矩阵和向量；IM表示M阶单位矩阵；E{·}表示取期望；|·|表示取模；diag{g}是以g的元素为对角元的对角阵；g[j]表示向量g的第j个元素；(·)

【技术特征摘要】
1.大规模天线系统信道训练及传输过程小区间干扰消除方法，本方法将检测得到的上行子帧中的数据符号当做导频序列来估计期望信道在角度域的位置和幅值；然后，利用这一信息对由上行导频序列训练得到的粗估计信道进行精估计以消除导频污染，并利用这个精估计信道设计用于下行数据传输的与编码器；最后，通过仿真结果评估所提出方法的性能；粗体符号表示矩阵和向量；IM表示M阶单位矩阵；E{·}表示取期望；|·|表示取模；diag{g}是以g的元素为对角元的对角阵；g[j]表示向量g的第j个元素；(·)*，(·)T和(·)H分别表示共轭、转置和共轭转置；其特征在于：考虑一个B小区时分双工全频复用蜂窝网络；在每个小区中，每个基站配备Nt根天线服务M个单天线用户；每一帧包含一个上行子帧和一个下行子帧，其中上行子帧由上行训练段和上行数据传输段组成；假设块衰落信道，在每帧中保持不变、帧间相互独立；基站端天线阵列为均匀线阵；则第b个基站到第k小区第m个用户的单元域信道向量表示为：其中Lmk,b是信道的可分辨多径数，是第l条径的幅值，为统计独立的零均值复数，是第l条多径的到达角，是阵列响应向量，表示为：其中d是阵列天线间距，λ是波长；许多场景下MassiveMIMO的信道在角度域具有稀疏特性；对均匀线阵而言，其单元域信道和角度域信道互为傅里叶变换；用表示Nt点傅里叶变换矩阵，其第(n,m)个元素的值为第b个基站到第k小区第m个用户的角度域信道表示为其中是第l条多径阵列响应向量的角度域表示；将公式(2.2)以及的表达式代入，则的第n个元素表示为：其中的模值是这是一个的周期函数，其峰值出现在处，其中k为整数；由于MassiveMIMO的天线数很多，只有满足时模值才会较大；只有那些到达角满足的多径分量才对有显著地贡献；由于空间散射体的数量有限，多径分量数也是有限的，这由传播环境决定；如此，中只有少部分元素有较大的模值，而其他原色被看作零；因此，当Nt很大的时候被近似看作稀疏向量；信道的角度域稀疏特性为分辨不同用户的信道提供了可能；采用角度域信道估计来消除导频污染；在上行训阶段，所有用户向基站发送导频以协助基站进行信道估计；令为第b个小区第m个用户分配到的导频序列，同一小区内不同用户分配到的导频序列相互正交；也就是说，以及则第b个基站接收到的导频序列表示为：其中pU是发射功率，Hb,b是第b个基站到本小区所有用户的信道矩阵；是第b个基站到第k(k≠b)个小区所有用户的信道矩阵，是导频矩阵，其每一行是分配给第b个小区所有用户的导频序列；是加性高斯白噪声，其元素具有零均值，方差为为了便于分析并把重点放在解决导频污染问题上，选用最小二乘信道估计，在第b个基站估计自己与第b个小区所有用户的单元域信道矩阵为：其中是信道粗估计，是估计误差；为了消除信道估计阶段的邻小区干扰，分配给网络中所有用户的导频序列应该相互正交；减小由此而来的巨大开销，相邻小区用户分配到的导频序列往往不相互正交；也就是说，SkSb≠0，或者相邻小区直接使用同一组导频序列，这就导致了导频污染；如果不加处理，导频污染会严重制约下行预编码的性能；信道粗估计误差的自相关矩阵为：其中，是第b个基站到第k小区第m个用户的大尺度信道增益；利用上行传输数据和信道稀疏性进行信道估计的方法如下；在第一帧中，用户采用低阶的调制编码方式传输上行数据，此时利用上行导频进行信道粗估计，而后利用信道粗估计正确解调上行数据符号；其次，基站将解调得到的各用户发送的数据符号视作导频序列，用户估计角度域期望信道中远大于零的元素的位置；最后，利用这一位置信息来获取信道精估计，以设计下行传输的与编码器；在时变信道中，主到达角由用户和基站的位置决定，它随时间的变化要比信道幅值的变化慢得多；因此，信道的角度域位置信息没有必要在每一帧都进行估计；一旦获得了信道的角度域位置信息，它就被用于对后续一系列帧的信道进行精估计，以支持较高阶的调制编码方式用于上下行数据传输；A.基于最小二乘的方法在上行传输阶段，第b个基站接收到的来自第b小区的所有用户的信号表示为：其中Xb是第b个小区所有用户的发送数据符号，ld是数据符号数，中的元素是均值为零方差为的加性高斯白噪声；假设第b个基站正确解调Xb，通过将Xb视做导频序列并考虑公式(2.8)，得到估计角度域信道的角度域观测方程：其中是第b个基站到第b个小区所有用户的角度域信道矩阵；根据最小二乘准则，基于数据的角度域期望信道的估计为：其中是估计误差；ld→∞时，估计误差的自相关矩阵为：通过比较公式(2.11)和公式(2.7)并考虑到ld＞＞lp，看出基于数据的信道估计性能远远优于基于导频的信道估计性能；通过利用上行数据，更精确地获得公式(2.10)中角度域信道非零分量的位置；然而这种方法的计算复杂度决定于上行帧的符号数ld；在实际应用中，使用递推最小二乘算法来降低复杂度；定义为表示位置信息的向量，它包含了中模值最大的NTap个元素的位置；若为中模值前NTap大的元素，则否则B.基于时间平均的方法在期望用户传输的上行子帧中，当接收到第n个符号时第b个基站的接收信号向量被表示为：

【专利技术属性】
技术研发人员：肖创柏，姬庆庆，魏雍，陈楠，杨祎，孙旭彤，彭程，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11