一种时变大规模MIMO系统中的信道追踪和恢复方法技术方案

本发明专利技术属于无线通信技术领域，公开了一种时变大规模MIMO系统中的信道追踪和恢复方法；通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off‑grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off‑grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建。本发明专利技术通过使用最优化贝叶斯卡尔曼滤波的方式在已知部分先验信息的基础上准确的追踪了下行信道，同时精确的还原了模型参数；本发明专利技术在时变在大规模MIMO系统中可有效追踪和还原上下行信道。

A Channel Tracking and Recovery Method for Time-Varying Large-Scale MIMO Systems

【技术实现步骤摘要】
一种时变大规模MIMO系统中的信道追踪和恢复方法
本专利技术属于无线通信
，尤其涉及一种时变大规模MIMO系统中的信道追踪和恢复方法。
技术介绍
目前，最接近的现有技术：现有的联合空分复用(JointSpatialDivisionMultiplexing,JSDM)的方法被提出，此方法将期望用户的信道协方差矩阵的特征空间映射至所有其他用户的特征空间的零空间从而使用户间的干扰变为零；此方法被进一步拓展，提出了一种低开销的最优化用户选择和预先形成算法以实现最优总速率。一种在两阶段预编码框架中的FDD大规模MIMO系统中名为波分复用的传输机制被提出，在此机制中，只有CSI被用于最优化下行传输。一种TDD/FDD大规模MIMO系统中的新型信道估计方法被提出，此方法从瞬时上行CSI中提取出角度参数和功率角度谱(PowerAngularSpectrum,PAS)，重构了上行信道协方差矩阵(ChannelCovarianceMatrices,CCM)，并利用其提升了上行信道估计性能且未造成额外的训练开销，此方法不需要长时间获取上行CCM并且能处理拥有大AS的更加实际的信道传播环境。以上的这些策略需要使用空间信息以实现不同用户间的正交传输，理论上这些空间信息可使用信道协方差矩阵推出。因此，以上方法需要高效且复杂度低的获取信道协方差矩阵的方法。由于高阶矩阵的奇异值分解(SingularValueDecomposition,SVD)存在复杂度高的问题，在大规模MIMO系统中获取信道协方差矩阵是十分困难的。为此，大规模MIMO瞬时信道的低秩模型和空间基础扩展模型(SpatialBasisExpansionModel,SBEM)被提出以在没有信道协方差矩阵情况下获取信道信息；一种时变大规模MIMO系统中新型信道追踪方法被提出。扩展的卡尔曼滤波(KalmanFiltering,KF)方法用于盲追踪中心角和导向矢量的泰勒级数展开式来获得角度扩展。此前提出了一种对时变大规模MIMO网络的信道估计方法，此方法使用了卡尔曼滤波和Rauch-Tung-Striebel平滑器(Rauch-Tung-StriebelSmoother)，基于EM的稀疏贝叶斯学习框架来获取时间相关因子、空间信息和信道功率。此方法还使用了降维的卡尔曼滤波器来追踪上下行虚拟信道。然而，信道功率和载波频率是密切相关的，信道功率并不能只从上行信道推出。另外，考虑到信号到达方向(DirectionofArrivals,DOAs)的随机性，由于空间采样的误差造成的功率泄露，采用现有的信道估计方法将不可避免地造成性能损失。大规模MIMO由于其频谱和能量利用效率高从而使其成为第五代蜂窝网络(5G)的潜在关键技术。为充分利用大规模MIMO的优势，需要从基站(BaseStation,BS)中获取准确的信道状态信息(ChannelStateInformation,CSI)。在时分双工(TimeDivisionDuplex,TDD)系统中，由于上行和下行使用同一个信道，基站的CSI可从上行训练中获取。然而在频分双工(FrequencyDivisionDuplex,FDD)系统中，基站的CSI需要从上行训练、下行训练和CSI反馈中获取。而传输训练序列、CSI反馈以及当导频被污染时均会导致很大的开销。为减少信道训练和CSI反馈的开销，很多新的传输策略被提出以减少有效信道的维度。综上所述，现有技术存在的问题是：由于高阶矩阵的SVD存在复杂度高的问题，在大规模MIMO系统中获取信道协方差矩阵是十分困难的。其次，信道功率和载波频率是密切相关的，信道功率并不能只从上行信道推出。此外，因为信号到达方向的随机性以及空间采样的误差造成的功率泄露，采用现有的信道估计方法将不可避免地造成性能损失。本专利技术解决的问题：针对信道功率不能只从上行信道推出的问题，本专利技术采用了OBKF在跟踪信道的同时恢复出参数。针对因为信号到达方向的随机性以及空间采样的误差造成的功率泄露，现有的信道估计方法造成性能损失的问题，本专利技术在建立信道模型的时考虑了这些因素，建立了带入射角偏差的off-grid模型，从而进一步提升了估计性能。解决上述技术问题的难度：传统的信道追踪方法，如classicalKF等方式需要已知两个噪声的参数，而在本模型中这两个参数是未知的，因此无法使用传统方式追踪信道。本专利技术创新性地提出的OBKF方法，能在不使用这两个参数的情况下有效追踪和恢复信道。解决上述技术问题的意义：本专利技术在改进了信道模型，实现了在部分下行信道参数未知的情况下准确地对下行信道实现了跟踪，并且同时恢复出未知参数，从而有效提升了在时变大规模MIMO系统中的信道估计性能。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种时变大规模MIMO系统中的信道追踪和恢复方法。本专利技术是这样实现的，一种时变大规模MIMO系统中的信道追踪和恢复方法，所述时变大规模MIMO系统中的信道追踪和恢复方法通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off-grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off-grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建。进一步，所述时变大规模MIMO系统中的信道追踪和恢复方法包括：步骤一：在上行多用户大规模MIMO系统中，基站有Nt＞＞1根以均匀线性阵列ULA排布的天线；k个单天线的用户均匀分布在基站的覆盖范围内；几何信道模型为第k个用户周围有l条散射，每个散射为单一传播路径；令为Nt×Nt归一化离散傅里叶变换矩阵，令A代表[BH]:,p是[AH]:,p对p的偏导，Φ(ρk)H＝AH+BHdiag(ρk)，Φ(ρk)H为在的基础上考虑了离散格点偏移的系数矩阵；建立虚拟信道的自回归AR模型：其中hk,m是第m个块时第k个用户与基站间的上行信道，时变过程rk,m代表高斯马尔可夫随机过程，αk是传输因子，是过程噪声向量，Nt×Nt的对角矩阵空间特征向量ck由下式决定：设当前小区被分配了τ≤K个长度符合Ls≤Lc的正交训练序列，设正交训练序列集为S＝[s1,s2,...,sτ]，其中为导频功率；令K＝Cτ，C为一整数且C≥1；将K个用户划分为C组，每组包含τ个用户；在第m个块时接收训练信号可表示为：其中令NtLsM×1向量NτM×1向量Nτ×1向量τ×1向量α＝[α1,α2,...,ατ]T，N×1向量τN×τN矩阵Λ＝blkdiag{Λ1,Λ2,...,Λτ}；导频的作用是利用观察模型和状态方程获取参数集步骤二：使用EM算法迭代式地产生Ξ(l),l＝1,2,...序列，在第l步利用以下算法1计算步骤三：将符合式的用户划分到同一组，所有用户共划分为G个组，所有的在第g个组的用户的编号集合为为每个组分配一个正交训练序列，每个组内的所有用户共用同一个训练序列；构建G×G矩阵SG满足将sg＝[SG]:,g分配至组g，所有K个用户同时发送训练序列，组g的信号为：其中为等价高斯白噪声向量；状态空间模型为：其中通过此模型，使用经典卡尔曼滤波跟踪上行信道；步骤四：进行上行本文档来自技高网...

【技术保护点】
1.一种时变大规模MIMO系统中的信道追踪和恢复方法，其特征在于，所述时变大规模MIMO系统中的信道追踪和恢复方法通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off‑grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off‑grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建。

【技术特征摘要】
1.一种时变大规模MIMO系统中的信道追踪和恢复方法，其特征在于，所述时变大规模MIMO系统中的信道追踪和恢复方法通过利用虚拟信道表示构建了动态上行大规模MIMO信道模型；采用期望最大化算法来捕获空间标签、时间相关因子、off-grid偏移，信道功率和噪声功率；下行信道模型的空间标签、时间相关因子和off-grid偏移可在知道上行信道相应参数的基础上重构；信道功率和噪声功率与载波频率有密切的联系，无法有效地从已知的上行信道参数中重建。2.如权利要求1所述的时变大规模MIMO系统中的信道追踪和恢复方法，其特征在于，所述时变大规模MIMO系统中的信道追踪和恢复方法包括：步骤一：在上行多用户大规模MIMO系统中，基站有Nt＞＞1根以均匀线性阵列ULA排布的天线；k个单天线的用户均匀分布在基站的覆盖范围内；几何信道模型为第k个用户周围有l条散射，每个散射为单一传播路径；令为Nt×Nt归一化离散傅里叶变换矩阵，令A代表[BH]:,p是[AH]:,p对p的偏导，Φ(ρk)H＝AH+BHdiag(ρk)，Φ(ρk)H为在的基础上考虑了离散格点偏移的系数矩阵；建立虚拟信道的自回归AR模型：其中hk,m是第m个块时第k个用户与基站间的上行信道，时变过程rk,m代表高斯马尔可夫随机过程，αk是传输因子，是过程噪声向量，Nt×Nt的对角矩阵空间特征向量ck由下式决定：设当前小区被分配了τ≤K个长度符合Ls≤Lc的正交训练序列，设正交训练序列集为S＝[s1,s2,...,sτ]，其中为导频功率；令K＝Cτ，C为一整数且C≥1；将K个用户划分为C组，每组包含τ个用户；在第m个块时接收训练信号可表示为：其中令NtLsM×1向量NτM×1向量Nτ×1向量τ×1向量α＝[α1,α2,...,ατ]T，N×1向量τN×τN矩阵Λ＝blkdiag{Λ1,Λ2,...,Λτ}；导频的作用是利用观察模型和状态方程获取参数集步骤二：使用EM算法迭代式地产生Ξ(l),l＝1,2,...序列，在第l步利用以下算法1计算步骤三：将符合式的用户划分到同一组，所有用户共划分为G个组，所有的在第g个组的用户的编号集合为为每个组分配一个正交训练序列，每个组内的所有用户共用同一个训练序列；构建G×G矩阵SG满足将s...

【专利技术属性】
技术研发人员：张顺，闻浩海，李红艳，李牧野，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61