一种Massive MIMO的相位噪声估计方法及装置制造方法及图纸

本发明专利技术实施例公开了一种Massive MIMO的相位噪声估计方法及装置，本发明专利技术为基于无迹卡尔曼滤波的相位噪声估计方法，用于大规模天线系统中下行链路本振相位噪声的估计，从而改善系统的性能。本发明专利技术实施例方法包括：建立大规模天线下行链路的系统模型，并设置各个参数，建立空间状态方程和测量方程；利用无迹卡尔曼滤波算法估计本振相位噪声，从而对其矫正，以提高系统的性能。该方法可以有效减弱相位噪声对系统的影响，可以很好的解决大规模天线系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。

A phase noise estimation method and device for Massive MIMO

The embodiment of the invention discloses a Massive MIMO phase noise estimation method and device. The invention is a phase noise estimation method based on Unscented Kalman filter, which is used for estimating the downlink local oscillator phase noise in a large-scale antenna system, thereby improving the performance of the system. The embodiment method of the invention includes: establishing the system model of the large-scale antenna downlink, setting various parameters, establishing the space state equation and the measurement equation; estimating the local oscillator phase noise by using the unscented Kalman filter algorithm, thereby correcting the local oscillator phase noise, so as to improve the performance of the system. This method can effectively reduce the influence of phase noise on the system, and can solve the problems of high complexity, poor estimation accuracy and poor stability in phase noise estimation of large-scale antenna system.

【技术实现步骤摘要】
一种MassiveMIMO的相位噪声估计方法及装置
本专利技术涉及天线系统领域，尤其涉及一种MassiveMIMO的相位噪声估计方法及装置。
技术介绍
Massivemimo即在基站配置更多的天线。相比常规的MIMO，MassiveMIMO提供了更大的自由度、简单的线性预编码技术和检测技术、频谱效率和能量效率数量级的改善，同时由于天线数目较多，信道小尺度衰落和热噪声的影响小时，介质访问控制层协议简化。然而数以百计的天线在基站的配置必然需要相应数量的射频链路，即所需的功率放大器(PA)、低噪声放大器(LNA)、混频器(Mixer)、本地振荡器(LO)、模数(ADC)和数模转换器(DAC)的数量大幅度增加。另外，随着微微蜂窝和家庭基站的大量配置，基站的数目将会越来越多。从经济效益角度考虑，要使MassiveMIMO系统在蜂窝移动网络中配置，必须使用低成本、能量效率高的模拟器件。另外，现代无线接收机和发射机通常采用了零中频或低中频的方案，零中频和低中频的方案需要模拟正交混频，本地振荡器难以产生精确的同相和正交本振信号，因此引起了I/Q不平衡，给后续信号处理带来了极大的困难。在多天线系统中，每条链路都需要不同的本振或锁相环电路来驱动，因此多个相位噪声需要被估计，单天线系统中单相位噪声估计算法无法适用。现有算法中有基于矩阵逆、数学期望最大化(EM)和扩展卡尔曼滤波(EKF)的算法来估计多个相位噪声参数，但MassiveMIMO系统使用了低成本的本地振荡器，相位噪声对系统性能的影响更严重，这些算法由于线性化逼近误差高、稳定性差、估计精度低以及计算复杂度高而无法适用于新的系统。
技术实现思路
本专利技术实施例提供了一种MassiveMIMO的相位噪声估计方法及装置，可以很好的解决MassiveMIMO系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。根据本专利技术的一个方面，提供一种MassiveMIMO的相位噪声估计方法，包括：S0：获取起始时刻的预置相位噪声向量，并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量，相位噪声向量由各个天线的相位噪声组成；S1：获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量，接收数据向量由各个天线的接收数据组成；S2：对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取，对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量；S3：对下一时刻的各个sigma点进行线性权重计算，得到下一时刻的相位噪声第一向量；S4：获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程，将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量；S5：根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益；S6：将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益，再加上相位噪声第一向量得到下一时刻的相位噪声第二向量；S7：将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量，重新执行步骤S1。优选地，所述对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取具体为：获取当前时刻的相位噪声向量的协方差，计算当前时刻的相位噪声向量的平均值，通过预置第一公式组对当前时刻的相位噪声向量的协方差、平均值进行计算得到当前时刻的各个sigma点；其中，预置第一公式组为：式中，为当前时刻的相位噪声向量的平均值，PB为当前时刻的相位噪声向量的协方差，为的第i列，L为天线的个数。优选地，所述对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量具体包括：获取当前时刻的高斯白噪声向量，高斯白噪声向量由各个天线的高斯白噪声组成；将得到的各个sigma点加上当前时刻的高斯白噪声向量得到下一时刻的各个sigma点组成的sigma点列向量。优选地，所述对下一时刻的各个sigma点进行线性权重计算具体为：通过预置第二公式对下一时刻的各个sigma点进行线性权重计算；其中，预置第二公式为：式中，为第i个均值权重，ξi，k+1|k为下一时刻的sigma点列向量的第i列。优选地，所述接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程为：Y(n)＝H⊙ejB(n)+V(n)式中，H为天线信道增益向量，B(n)为相位噪声向量，V(n)为测量噪声向量，Y(n)为接收数据向量。优选地，所述将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量具体为：将下一时刻的sigma点列向量输入量测方程得到输出矩阵，通过预置第三公式对输出矩阵进行线性权重计算得到下一时刻的预估接收数据向量；其中，预置第三公式为：式中，φi，k+1|k为输出矩阵的第i列，为第i个均值权重。优选地，下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差的计算公式为：下一时刻的预估接收数据向量的方差的计算公式为：计算卡尔曼增益具体包括：式中，Bk+1|k为下一时刻的相位噪声第一向量，Yk+1|k为下一时刻的预估接收数据向量，为第i个方差权重。优选地，步骤S3之后还包括：通过预置第四公式计算下一时刻的相位噪声第一向量的协方差；其中，预置第四公式为：式中，Bk+1|k为下一时刻的相位噪声第一向量，ξi，k+1|k为下一时刻的sigma点列向量的第i列，为第i个方差权重。优选地，步骤S6之后还包括：通过预置第五公式计算下一时刻的相位噪声第二向量的后验方差；其中，预置第五公式为：式中，PY，k+1|Y，k+1为下一时刻的预估接收数据向量的方差，Kk+1为卡尔曼增益；所述将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量，重新执行步骤S1具体为：将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量，将下一时刻的相位噪声第二向量的后验方差作为当前时刻的相位噪声向量的协方差，重新执行步骤S1。根据本专利技术的另一个方面，提供一种MassiveMIMＯ的相位噪声估计装置，包括：第一获取模块，用于获取起始时刻的预置相位噪声向量，并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量，相位噪声向量由各个天线的相位噪声组成；第二获取模块，用于获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量，接收数据向量由各个天线的接收数据组成；选取模块，用于对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取，对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量；第一计算模块，用于对下一时刻的各个sigma点进行线性权重计算，得到下一时刻的相位噪声第一向量；第二计算模块，用于获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程，将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量；第三计算模块，用于根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益；第四计算模块，用于将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益，再加上相位噪声第一向量得到下一时刻的相位噪声第二向量；循环模块，用本文档来自技高网...

【技术保护点】
1.一种Massive MIMO的相位噪声估计方法，其特征在于，包括：S0：获取起始时刻的预置相位噪声向量，并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量，相位噪声向量由各个天线的相位噪声组成；S1：获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量，接收数据向量由各个天线的接收数据组成；S2：对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取，对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量；S3：对下一时刻的各个sigma点进行线性权重计算，得到下一时刻的相位噪声第一向量；S4：获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程，将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量；S5：根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益；S6：将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益，再加上相位噪声第一向量得到下一时刻的相位噪声第二向量；S7：将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量，重新执行步骤S1。...

【技术特征摘要】
1.一种MassiveMIMO的相位噪声估计方法，其特征在于，包括：S0：获取起始时刻的预置相位噪声向量，并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量，相位噪声向量由各个天线的相位噪声组成；S1：获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量，接收数据向量由各个天线的接收数据组成；S2：对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取，对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量；S3：对下一时刻的各个sigma点进行线性权重计算，得到下一时刻的相位噪声第一向量；S4：获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程，将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量；S5：根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益；S6：将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益，再加上相位噪声第一向量得到下一时刻的相位噪声第二向量；S7：将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量，重新执行步骤S1。2.根据权利要求1所述的MassiveMIMO的相位噪声估计方法，其特征在于，所述对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取具体为：获取当前时刻的相位噪声向量的协方差，计算当前时刻的相位噪声向量的平均值，通过预置第一公式组对当前时刻的相位噪声向量的协方差、平均值进行计算得到当前时刻的各个sigma点；其中，预置第一公式组为：式中，为当前时刻的相位噪声向量的平均值，PB为当前时刻的相位噪声向量的协方差，为的第i列，L为天线的个数。3.根据权利要求2所述的MassiveMIMO的相位噪声估计方法，其特征在于，所述对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量具体包括：获取当前时刻的高斯白噪声向量，高斯白噪声向量由各个天线的高斯白噪声组成；将得到的各个sigma点加上当前时刻的高斯白噪声向量得到下一时刻的各个sigma点组成的sigma点列向量。4.根据权利要求1所述的MassiveMIMO的相位噪声估计方法，其特征在于，所述对下一时刻的各个sigma点进行线性权重计算具体为：通过预置第二公式对下一时刻的各个sigma点进行线性权重计算；其中，预置第二公式为：式中，Wim为第i个均值权重，ξi,k+1|k为下一时刻的sigma点列向量的第i列。5.根据权利要求1所述的MassiveMIMO的相位噪声估计方法，其特征在于，所述接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程为：Y(n)＝H⊙ejB(n)+V(n)式中，H为天线信道增益向量，B(n)为相位噪声向量，V(n)为测量噪声向量，Y(n)为接收数据向量。6.根据权利要求5所述的MassiveMIMO的相位噪声估计方法，其特征在于，所述将下一时刻的sigma点列向量输入量测...

【专利技术属性】
技术研发人员：李光平，邢奇奇，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44