一种高性能的大规模MIMO下行链路传输信道估计方法技术

本发明专利技术公开了一种高性能的大规模MIMO下行链路传输信道估计方法，主要包括：基站通过波束赋形生成大规模波束集合覆盖整个小区，基站的所有天线同步地向目标用户发送导频序列；用户获取导频信息后，根据设计好的导频矩阵和字典构建压缩感知信道估计问题，依据过完备字典采样后信道增益函数的块稀疏性，使用基于块稀疏性的压缩感知恢复算法进行估计，估计的结果就是需要的信道矢量。本发明专利技术通过使用多频带调制DPSS矩阵提高了信道矢量在过完备字典下的稀疏性，提高了信道恢复的性能，减少了算法运算复杂度，并通过非正交导频矩阵的使用，降低了导频开销。

A High Performance Channel Estimation Method for Large Scale MIMO Downlink Transmission

The invention discloses a high-performance large-scale MIMO downlink transmission channel estimation method, which mainly includes: the base station generates a large-scale beam set covering the whole cell through beam shaping, all antennas of the base station send pilot sequences synchronously to the target user; after the user obtains pilot information, the compressed sensing channel estimation problem is constructed according to the designed pilot matrix and dictionary. According to the block sparsity of channel gain function after over-complete dictionary sampling, compressed sensing recovery algorithm based on block sparsity is used to estimate the channel vector needed. The invention improves the sparsity of channel vectors under the over-complete dictionary, improves the performance of channel recovery, reduces the computational complexity of the algorithm, and reduces the pilot overhead by using the non-orthogonal pilot matrix.

【技术实现步骤摘要】
一种高性能的大规模MIMO下行链路传输信道估计方法
本专利技术属于通信领域，具体涉及一种平坦块衰落信道下基于压缩感知的高性能大规模多输入多输出(Multiple-InputMultiple-Output，MIMO)下行链路传输信道估计方法。
技术介绍
大规模MIMO系统中，基站端配置利用大规模天线阵列同时服务多个用户。采用大规模MIMO技术可以有效降低用户间干扰，大幅提高无线通信系统的频谱利用率和功率效率。对于大规模MIMO通信系统，采样后的信道增益函数具有局部稀疏性。因此，可以采用压缩感知算法，来重构信道矢量。为了获得大规模MIMO技术所带来的性能增益，基站侧需要获取信道状态信息(ChannelStateInformation，CSI)用于下行预编码。在实际应用中，CSI一般通过接收端信道估计获得，即需要考虑由基站侧发送导频信号，用户侧先依据所接收的信号进行信道估计，再将估计结果反馈给基站。传统的下行信道估计方法一般采用正交导频，导频数目会随着基站天线数目线性增长。大规模MIMO系统中基站侧配置天线数目通常比较大，此类信道估计方法将会带来巨大的导频开销，从而导致系统的频谱效率下降。因此，针对大规模MIMO下行链路传输系统，需要探索一种导频开销较小同时保证较高估计性能的信道估计方法。
技术实现思路
针对现有技术的不足，本专利技术提供一种高性能的大规模MIMO下行链路传输信道估计方法，一种在平坦块衰落信道下的，利用多频带调制离散椭球序列(DiscreteProlateSpheroidalSequences，DPSS)矩阵采样后信道增益函数的块稀疏性和非正交导频的高性能的大规模MIMO下行链路传输信道估计方法。为实现上述专利技术目的，本专利技术采用的技术方案为：一种高性能的大规模MIMO下行链路传输信道估计方法，包括以下步骤：S1：基站配置大规模天线阵列，通过波束赋形生成大规模波束集合覆盖整个小区，并且在小区内与单天线用户进行通信，基站的所有天线同步向目标用户发送导频序列；S2：用户获取基站天线发送的导频信号，并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题，利用恢复算法估计信道矢量。进一步地，所述步骤S2中的非正交导频矩阵为根据Zadoff-Chu序列及其循环移位设计的导频矩阵。进一步地，所述非正交导频矩阵的设计步骤为：S231：利用Zadoff-Chu序列的定义设置基本的导频序列，长度为τ，其中每个元素为：其中，i＝0,1,…,τ-1，γ为Zadoff-Chu序列的根，而且是一个比τ小并与之互质的整数；S232：通过循环移位的方式获取其它的导频序列，生成基本的导频矩阵，考虑基站天线总数M＝Pτ+q(q＜τ)，其中P、q均为整数，则基本的导频矩阵φZC表示为：φZC＝[φ0,φ1,…,φP-1,[φP]q]，其中，φp＝[Π0cp,Π2cp,…,Πτcp]，p＝0,1,…,P，[·]q表示取矩阵的前q列，而c0,c1,…,cP是根分别为γ0,γ1,…,γP的Zadoff-Chu序列，不同根之间互质，并且循环移位矩阵Πn为：其中，n＝0,1,…,τ-1；S233：依据伯努利矢量对角化矩阵对导频矩阵φZC进行扩展得到非正交导频矩阵A，A＝φZCdiag(ξ)，其中，矢量是随机伯努利矢量，所有元素在{-1,1}上均匀分布，diag(·)表示将矢量对角化为矩阵。进一步地，所述步骤S2中的估计信道矢量的步骤具体为：依据字典采样后信道增益函数的块稀疏性，使用基于块稀疏性的压缩感知恢复算法：修正的块稀疏压缩采样匹配追踪法(ModifiedBlock-BasedCompressiveSamplingMatchingPursuit，M-BBCoSaMP)进行估计，所述字典是利用调制后的DPSS生成的过完备矩阵，即多频带调制DPSS矩阵。进一步地，所述的步骤S2中的压缩感知信道估计公式为：y＝AΨhA+n其中，为用户接收到的导频信号，为导频矩阵，M是基站天线总数，为基站第m根天线发送的长度为τ的导频序列，其中m＝1,…,M，为多频带调制DPSS矩阵，为稀疏基Ψ下的块稀疏矢量，是独立同分布的高斯白噪声矢量且每一元素服从分布；τ表示导频信号的长度，k表示字典中DPSS子块的列数，J表示字典中DPSS子块的块数，其中，M＜kJ。进一步地，所述多频带调制DPSS矩阵表示为：Ψ＝[Ψ0Ψ1…ΨJ-1]，其中，表示调制后的第j个DPSS矩阵的前k列，其中，j＝1,2…J，J的具体值由带宽和基站天线发射的角度范围决定，此时，稀疏度小于等于k。进一步地，所述的基于块稀疏性的压缩感知恢复算法M-BBCoSaMP，具体包括：S271：依据测量数据的特征和信噪比设计出DPSS参数；S272：根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性，找出多频带调制DPSS矩阵中最能够准确近似表示信道矢量的子块索引；S273：利用正交投影和最小二乘法完成信道估计。进一步地，所述步骤S271中DPSS参数J的公式为：其中，M为基站天线总数，Q表示集合T中最接近稀疏度s的整数，集合T为：DPSS参数k的公式为：其中，γ0和γ1为信噪比阈值，数值大小依据具体环境设置，SNR是信噪比，c0和β0为根据信噪比SNR设置DPSS参数的线性系数，它们依据Q和导频信号y设置。进一步地，所述步骤S272中的子块索引的检索公式为：其中，表示Ψ中最适合近似表示h的K个子块索引集，h＝ΨhA，是由索引集合给出的矩阵Ψ相应列构成的子矩阵，表示由张成空间的范围；表示在K维块稀疏信号集上的最准确矢量近似值，并且xl＝AHrl表示导频矩阵所有列对残差矢量的贡献度，表示第l次迭代得到的残差矢量。进一步地，所述步骤S273中最小二乘法的目标函数为：其中，h是利用选中的DPSS子块和最小二乘法得出的估计值，y为用户接收到的导频信号，A表示导频矩阵，z是在线性空间中的矢量，表示第l次迭代最终选中的子块索引集，是由索引集合给出的矩阵Ψ相应列构成的子矩阵，表示张成空间的范围。本专利技术主要利用过完备字典采样后信道增益函数的块稀疏性和压缩感知算法进行信道估计，涉及大规模MIMO信道的建模和所提出的M-BBCoSaMP算法，适用于单小区的大规模MIMO下行系统。系统建模时，依据Zadoff-Chu序列及其循环移位设计非正交导频矩阵，并在信道中添加高斯白噪声。在M-BBCoSaMP算法中，依据测量数据的特征和信噪比设计出DPSS参数，然后根据矩阵和矢量内积计算出信道矢量和导频矩阵的列之间的相关性，找出字典中最能够准确近似表示信道矢量的子块索引，最后利用正交投影和最小二乘法完成信道估计。与现有技术相比，本专利技术的有益效果在于：1.多频带调制DPSS矩阵的使用，极大地提高了信道矢量在字典下的稀疏性，并且相较于一般的字典，稀疏矢量的能量更加集中，可以通过压缩感知算法进行更好的恢复。2.导频矩阵采用了确定性测量矩阵，其中Zadoff-Chu序列的使用，相较于一般的高斯随机矩阵，降低了实现成本，进一步减少了大规模MIMO系统中的导频开销。3.所提出的M-BBCoSaMP算法给出了一种依据信噪比调整DPSS矩阵维度的公式，权衡了噪声误差和近似误差，动态更新字典的规模，提高了估计的准确度，并降低了算法的复本文档来自技高网...

【技术保护点】
1.一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：包括以下步骤：S1：基站配置大规模天线阵列，通过波束赋形生成大规模波束集合覆盖整个小区，并且在小区内与单天线用户进行通信，基站的所有天线同步向目标用户发送导频序列；S2：用户获取基站天线发送的导频信号，并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题，利用恢复算法估计信道矢量。

【技术特征摘要】
1.一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：包括以下步骤：S1：基站配置大规模天线阵列，通过波束赋形生成大规模波束集合覆盖整个小区，并且在小区内与单天线用户进行通信，基站的所有天线同步向目标用户发送导频序列；S2：用户获取基站天线发送的导频信号，并且根据设计好的非正交导频矩阵和字典构建一个压缩感知信道估计问题，利用恢复算法估计信道矢量。2.根据权利要求1所述的一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：所述步骤S2中的非正交导频矩阵为根据Zadoff-Chu序列及其循环移位设计的导频矩阵。3.根据权利要求2所述的一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：所述非正交导频矩阵的设计步骤为：S231：利用Zadoff-Chu序列的定义设置基本的导频序列，长度为τ，其中每个元素为：其中，i＝0,1,…,τ-1，γ为Zadoff-Chu序列的根，而且是一个比τ小并与之互质的整数；S232：通过循环移位的方式获取其它的导频序列，生成基本的导频矩阵，考虑基站天线总数M＝Pτ+q(q＜τ)，其中P、q均为整数，则基本的导频矩阵φZC表示为：φZC＝[φ0,φ1,…,φP-1,[φP]q]，其中，φp＝[Π0cp,Π2cp,…,Πτcp]，p＝0,1,…,P，[·]q表示取矩阵的前q列，而c0,c1,…,cP是根分别为γ0,γ1,…,γP的Zadoff-Chu序列，不同根之间互质，并且循环移位矩阵Πn为：其中，n＝0,1,…,τ-1；S233：依据伯努利矢量对角化矩阵对导频矩阵φZC进行扩展得到非正交导频矩阵A，A＝φZCdiag(ξ)，其中，矢量是随机伯努利矢量，所有元素在{-1,1}上均匀分布，diag(·)表示将矢量对角化为矩阵。4.根据权利要求1所述的一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：所述步骤S2中的估计信道矢量的步骤具体为：依据过完备字典采样后信道增益函数的块稀疏性，使用基于块稀疏性的压缩感知恢复算法M-BBCoSaMP进行估计，所述字典是利用调制后的DPSS生成的过完备矩阵，即多频带调制DPSS矩阵。5.根据权利要求1所述的一种高性能的大规模MIMO下行链路传输信道估计方法，其特征在于：所述的步骤S2中的压缩感知信道估计公式为：y＝AΨhA+n其中，为用户接收到的导频信号，为导频矩阵，M是基站天线总数，为基站第m根天线发送的长度为τ的导频序列，其中m＝1,…,M，为多频带调制DPSS矩阵，为...

【专利技术属性】
技术研发人员：王闻今，陈淑菁，方佳兴，甘露，尤力，高西奇，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32