超大规模MIMO中的可视区域与信道估计方法及装置制造方法及图纸

本发明专利技术公开了一种超大规模MIMO中的可视区域与信道估计方法及装置，方法包括：根据基站收到的来自用户的信号强度判断各个用户在基站阵列上的可视区域分布；判断各个用户的集合S

【技术实现步骤摘要】
超大规模MIMO中的可视区域与信道估计方法及装置


[0001]本专利技术涉及的
是无线通信
，尤其涉及一种超大规模MIMO中的可视区域与信道估计方法及装置。

技术介绍

[0002]随着无线通信技术的进步，传输数据量正呈指数级地增长，现有的天线阵列规模已无法满足当代数据传输的需要，人们正寻求利用超大规模天线阵列实现更大容量，更快速率的通信。在进行无线通信时，由发送端的超大规模天线阵列发送毫米波信号，再由接收端天线阵列接收毫米波信号，这是一种高效的通信方法，应用于诸多现代场合。为提高天线阵列的信道有效性，需要分辨出接收天线阵列接收到的信号，并尽可能地去除接收到的噪音。
[0003]目前，虽然已有很多关于信道估计的文献与方法，但大部分文献都是基于传统的完整阵列设计，考虑可视区域存在的场景下进行信道估计设计的文献还较少。现有文献提出了一种基于稀疏贝叶斯的宽带信道估计方法，但在存在可视区域的情况下，此类传统的信道估计方法存在着分辨率损失导致的错估、漏估问题，因此并不适用于超大规模MIMO系统中。现有文献还在频分双工模式下基于机器学习技术对可视区域上的信道进行了估计，虽然机器学习技术能有效应对这种复杂的信道估计问题，但该技术需要大量数据集和精准模型作为支撑，且训练时间也较长，在实际部署时并不方便。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：为提高天线阵列的信道有效性，需要分辨出接收天线阵列接收到的信号，并尽可能地去除接收到的噪音。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]第一方面，本专利技术实施例提供了一种超大规模MIMO中的可视区域与信道估计方法，包括：
[0009]根据基站收到的来自用户的信号强度判断各个用户在基站阵列上的可视区域分布；
[0010]判断各个用户的集合S
k
中的数是否连续，如果连续，则直接利用最小二乘法对基站收到的来自用户的导频信号进行估计；如果不连续，则对信号进行自相关后，抽取其中可用元素并构造虚拟阵列；
[0011]基于所述虚拟阵列估计信号的各路径角度和路径增益；
[0012]基于所述各路径角度和路径增益重建可视区域上的信号。
[0013]作为超大规模MIMO中的可视区域与信道估计方法的一种优选方案，其中：
[0014]所述判断各个用户在基站阵列上的可视区域分布包括：将可视区域中的天线下标集合记为S
k
，其中k＝1,2,...,K表示不同用户；对收到的用户信号进行平均和判决，具体的，对每个用户重复执行以下步骤：初始化集合将T个时隙内收到的用户k的时域信号相加并除以T，记得到的维数为M的时域信号均值为对的第i个元素其中i＝1,2,...,M表示各元素下标，从1到M逐一判断是否成立，其中ε是能量判决门限，若成立，则将i加入集合S
k
。
[0015]作为超大规模MIMO中的可视区域与信道估计方法的一种优选方案，其中：
[0016]所述对信号进行自相关后，抽取其中可用元素并构造虚拟阵列包括：对不同用户的信号分别进行离散傅里叶变换，得到第k个用户在第q个子载波上的维数为M的频域信号y
k,q
：
[0017][0018]其中P
k
是用户k的路径数量，α
k,q,p
是各个路径的增益，服从均值为零、方差为的复高斯分布，n
k,q
是复高斯白噪声向量；维数为M
×
M的对角矩阵V
k
代表用户k的可视区域分布，满足：
[0019][0020]导向矢量d和λ
q
分别是基站相邻两根天线间的距离与子载波q的波长，j是虚数符号；
[0021]对k＝1,2,...,K，对不同子载波上的信号进行自相关并抽取其中无重复的可用元素填充虚拟阵列，具体的，重复以下步骤：对q＝1,2,...,Q，计算自相关矩阵：
[0022][0023]其中y
k,q
(t)是信号y
k,q
的第t个快拍样本，是y
k,q
(t)的共轭转置向量；
[0024]将用户k可视区域集合记为其中D
k
是S
k
的元素个数，代表阵列中各天线位置，且满足构造如下D
k
×
D
k
的矩阵：
[0025][0026]计算L
‑
L
T
，其中L
T
是L的转置矩阵；
[0027]记L
‑
L
T
中的不重复非负元素个数为中的不重复非负元素个数为即为可用的虚拟阵元数目，将这个元素依次记为满足对元素l，其中对所有的
元素l，将元素l在矩阵L
‑
L
T
中的位置标记为一个非0即1的位置矩阵其中的“1”元素所在位置与元素l在矩阵L
‑
L
T
中的位置一一对应，其余位置都为0，并记中元素“1”的个数为对子载波q＝0,1,2,...,Q
‑
1，将与R
k,q
进行点乘，并对得到的矩阵中所有元素进行求和再除以得到的值记为V
q,l
，V
q,l
即为第q个子载波上的第l个虚拟阵元；
[0028]构造维数为的列向量的列向量是将所述虚拟阵元排布充零后得到虚拟阵列上的信号，的第i个元素满足：
[0029][0030]接着将所有的按照q＝0,1,2,...,Q
‑
1的顺序排列成一个维数为的列向量
[0031]作为超大规模MIMO中的可视区域与信道估计方法的一种优选方案，其中：
[0032]所述基于虚拟阵列估计信号的各路径角度和路径增益包括：初步抽取各个路径上的信道参数并对这些抽取出的参数进行局部优化，对不同子载波上的信号中的信道参数进行提取和优化，具体的，对第k个用户k＝1,2,...,K，重复以下步骤：依次构造w个维数为的矩阵A1,A2,...,A
w
，其中w是格点数目，满足以第i个矩阵(i＝1,2,...,w)A
i
为例，具体构造方法为：
[0033][0034]其中表示矩阵A
i
的第(q+1)列上第到个元素(q＝0,1,2,...,Q
‑
1)，其中维数为的导向矢量：
[0035][0036]其中，是第i个矩阵A
i
所对应的格点角度，矩阵A
i
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超大规模MIMO中的可视区域与信道估计方法，其特征在于，包括：根据基站收到的来自用户的信号强度判断各个用户在基站阵列上的可视区域分布；判断各个用户的集合S
k
中的数是否连续，如果连续，则直接利用最小二乘法对基站收到的来自用户的导频信号进行估计；如果不连续，则对信号进行自相关后，抽取其中可用元素并构造虚拟阵列；基于所述虚拟阵列估计信号的各路径角度和路径增益；基于所述各路径角度和路径增益重建可视区域上的信号。2.如权利要求1所述的超大规模MIMO中的可视区域与信道估计方法，其特征在于，所述判断各个用户在基站阵列上的可视区域分布包括：将可视区域中的天线下标集合记为S
k
，其中k＝1,2,...,K表示不同用户；对收到的用户信号进行平均和判决，具体的，对每个用户重复执行以下步骤：初始化集合将T个时隙内收到的用户k的时域信号相加并除以T，记得到的维数为M的时域信号均值为对的第i个元素其中i＝1,2,...,M表示各元素下标，从1到M逐一判断是否成立，其中ε是能量判决门限，若成立，则将i加入集合S
k
。3.如权利要求1或2所述的超大规模MIMO中的可视区域与信道估计方法，其特征在于，所述对信号进行自相关后，抽取其中可用元素并构造虚拟阵列包括：对不同用户的信号分别进行离散傅里叶变换，得到第k个用户在第q个子载波上的维数为M的频域信号y
k,q
：其中P
k
是用户k的路径数量，α
k,q,p
是各个路径的增益，服从均值为零、方差为的复高斯分布，n
k,q
是复高斯白噪声向量；维数为M
×
M的对角矩阵V
k
代表用户k的可视区域分布，满足：导向矢量d和λ
q
分别是基站相邻两根天线间的距离与子载波q的波长，j是虚数符号；对k1,2,...,K，对不同子载波上的信号进行自相关并抽取其中无重复的可用元素填充虚拟阵列，具体的，重复以下步骤：对q＝1,2,...,Q，计算自相关矩阵：其中y
k,q
(t)是信号y
k,q
的第t个快拍样本，是y
k,q
(t)的共轭转置向量；将用户k可视区域集合记为其中D
k
是S
k
的元素个数，代表阵列中各天线位置，且满足构造如下D
k
×
D
k
的矩阵：
计算L
‑
L
T
，其中L
T
是L的转置矩阵；记L
‑
L
T
中的不重复非负元素个数为即为可用的虚拟阵元数目，将这个元素依次记为满足对元素l，其中对所有的元素l，将元素l在矩阵L
‑
L
T
中的位置标记为一个非0即1的位置矩阵其中的“1”元素所在位置与元素l在矩阵L
‑
L
T
中的位置一一对应，其余位置都为0，并记中元素“1”的个数为对子载波q＝0,1,2,...,Q
‑
1，将与R
k,q
进行点乘，并对得到的矩阵中所有元素进行求和再除以得到的值记为V
q,l
，V
q,l
即为第q个子载波上的第l个虚拟阵元；构造维数为的列向量是将所述虚拟阵元排布充零后得到虚拟阵列上的信号，的第i个元素满足：接着将所有的按照q＝0,1,2,...,Q
‑
1的顺序排列成一个维数为的列向量4.如权利要求3所述的超大规模MIMO中的可视区域与信道估计方法，其特征在于，所述基于虚拟阵列估计信号的各路径角度和路径增益包括：初步抽取各个路径上的信道参数并对这些抽取出的参数进行局部优化，对不同子载波上的信号中的信道参数进行提取和优化，具体的，对第k个用户k＝1,2,...,K，重复以下步骤：依次构造w个维数为的矩阵A1,A2,...,A
w
，其中w是格点数目，满足以第i个矩阵(i＝1,2，...,w)A
i
为例，具体构造方法为：其中表示矩阵A
i
的第(q+1)列上第到个元素(q＝0,1,2,...,Q
‑
1)，其中维数为的导向矢量：其中，是第i个矩阵A
i
所对应的格点角度，矩阵A
i
的其余位置上的元素为0；初始化辅助向量与y
b
＝0，y
b
维数与y
f
相同，迭代次数n＝0，存放能量向量的集
合存放角度的集合从样本信号中提取并精炼各个路径上的参数，并将其存放于集合R
r
与χ；根据集合χ中的元素θ
′1,...,θ
′
n
，对第q个子载波q＝0,1,2,...,Q
‑
1，重新构造维数为M
×
n的阵列流形矩阵C
k,q
＝V
k
[a
M
(θ
′1),...,a
M
(θ
′
n
)]，然后分别计算各个子载波在角度θ
′1,...,θ
′
n
上的复数增益向量估计出第k个用户在第q个子载波(q＝0,1,2,...,Q
‑
1)上维数为M的信道列向量5.如权利要求4所述的超大规模MIMO中的可视区域与信道估计方法，其特征在于，所述从样本信号中提取并精炼各个路径上的参数，并将其存放于集合R
r
与...

【专利技术属性】
技术研发人员：张军，马磊，陆佳程，潘擎，谢永健，谭博文，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：