基于壓縮感知的大規(guī)模MIMO信道估計(jì)技術(shù)研究.pdf

1、大規(guī)模多輸入多輸出(Multiple input multiple output，MIMO)技術(shù)是第五代移動(dòng)通信系統(tǒng)的關(guān)鍵技術(shù)之一，與傳統(tǒng)MIMO技術(shù)相比，大規(guī)模MIMO技術(shù)具有能量效率高、頻譜效率高以及性能穩(wěn)定等優(yōu)勢(shì)。
　　隨著天線數(shù)量的增加，大規(guī)模MIMO系統(tǒng)信道估計(jì)的復(fù)雜度不斷提高，現(xiàn)有的信道估計(jì)算法（例如:最小二乘法和最小均方誤差法）不能滿足大規(guī)模MIMO系統(tǒng)對(duì)信道估計(jì)準(zhǔn)確性和簡(jiǎn)易性的要求。為了解決這些問(wèn)題，本文基于壓縮感

2、知理論，研究了大規(guī)模MIMO系統(tǒng)的稀疏信道估計(jì)算法和導(dǎo)頻優(yōu)化算法，其主要研究?jī)?nèi)容如下:
　　(1)針對(duì)大規(guī)模MIMO上行信道估計(jì)算法精度較低的問(wèn)題，提出一種基于信道空間相關(guān)性的改進(jìn)信道估計(jì)算法。首先，利用基站天線路徑延遲近似相同的特點(diǎn)，通過(guò)在天線間共享路徑延遲信息的方式，對(duì)路徑延遲進(jìn)行一致估計(jì)，提高路徑延遲的估計(jì)精度。然后，針對(duì)大規(guī)模MIMO中天線路徑可能不同的問(wèn)題，對(duì)天線陣列進(jìn)行合理分區(qū)，使每個(gè)區(qū)域內(nèi)的天線路徑延遲近似相同，并對(duì)

3、各天線的路徑延遲進(jìn)行一致估計(jì)，提高路徑延遲的估計(jì)精度。最后，利用判決反饋思想，將部分已檢測(cè)數(shù)據(jù)作為導(dǎo)頻，對(duì)路徑增益進(jìn)行迭代估計(jì)，提高路徑增益的估計(jì)精度。仿真結(jié)果表明，與傳統(tǒng)的子空間追蹤(Subspace pursuit，SP)算法相比，所提出算法可提供10dB以上的信噪比(Signal noise ratio，SNR)增益。
　　(2)針對(duì)貪婪算法估計(jì)精度較低的問(wèn)題，提出一種基于同倫算法的改進(jìn)信道估計(jì)算法。首先，對(duì)傳統(tǒng)同倫算法進(jìn)行

4、加權(quán)處理，利用權(quán)值項(xiàng)代替同倫算法中的正則化參數(shù)項(xiàng)，并根據(jù)信道系數(shù)自適應(yīng)地調(diào)整權(quán)值，提高算法的收斂速度。然后，通過(guò)在天線間共享權(quán)值信息，對(duì)權(quán)值進(jìn)行一致估計(jì)，提高算法的收斂精度。針對(duì)同倫算法在復(fù)數(shù)域不收斂的問(wèn)題，提出一種改進(jìn)方法，使算法在復(fù)數(shù)域收斂，并給出理論分析，證明拓展方法的正確性。最后，對(duì)算法的步長(zhǎng)計(jì)算方法進(jìn)行改進(jìn)，降低算法復(fù)雜度。仿真結(jié)果表明，與貪婪算法相比，所提出算法可提供約6dB的SNR增益。
　　(3)針對(duì)時(shí)分雙工(Ti

5、me division duplex，TDD)大規(guī)模MIMO下行信道估計(jì)導(dǎo)頻開銷較大的問(wèn)題，提出一種基于信道互易性的改進(jìn)信道估計(jì)算法。利用TDD大規(guī)模MIMO上下行信道的路徑延遲近似相同的特點(diǎn)，將上行信道路徑延遲的估計(jì)值作為先驗(yàn)信息，輔助下行信道估計(jì)，以降低信道估計(jì)所需的導(dǎo)頻開銷。針對(duì)快時(shí)變信道中上下行信道的路徑延遲可能不同的問(wèn)題，根據(jù)上行信道路徑延遲的估計(jì)值和路徑延遲變化率，推導(dǎo)出下行路徑延遲非零的概率，并依照概率對(duì)下行信道估計(jì)進(jìn)行預(yù)

6、處理，以達(dá)到降低導(dǎo)頻開銷的目的。仿真結(jié)果表明，與傳統(tǒng)算法相比，所提出算法的導(dǎo)頻開銷可降低約20％。
　　(4)針對(duì)導(dǎo)頻分布直接影響大規(guī)模MIMO信道估計(jì)性能的問(wèn)題，提出一種快速有效的導(dǎo)頻優(yōu)化方法。首先，利用大規(guī)模MIMO信道具有塊結(jié)構(gòu)的特點(diǎn)，基于壓縮感知的塊一致性(Block coherence，BC)準(zhǔn)則，以導(dǎo)頻矩陣的塊一致值最小為目標(biāo)函數(shù)，將導(dǎo)頻優(yōu)化問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題。然后，分別提出了同步擾動(dòng)隨機(jī)逼近（Simultaneou

7、s perturbation stochastic approximation，SPSA）算法和交叉熵(Cross-entropy optimization，CEO)算法解決這個(gè)最優(yōu)化問(wèn)題。SPSA算法通過(guò)估計(jì)目標(biāo)函數(shù)的梯度值，向目標(biāo)函數(shù)最小的方向收斂，以尋找最優(yōu)導(dǎo)頻分布。CEO算法通過(guò)計(jì)算使目標(biāo)函數(shù)最小的概率密度函數(shù)，尋找最優(yōu)導(dǎo)頻分布。仿真結(jié)果表明，與傳統(tǒng)的等間隔分布法、窮舉法以及隨機(jī)分布法相比，在相同MSE的情況下，SPSA算法和C