论文部分内容阅读
现代无线通信中,大规模多输入多输出(MIMO)系统自由度增加,多天线带来的分集和复用增益,能够显著提高频谱效率和能量效率。为了获取空间复用增益和阵列增益,基站发送端或用户接收端需通过信道估计获取信道状态信息。有效利用频分双工(FDD)的大规模MIMO系统增益的一个挑战就是导频数目随着发射天线数目增长而线性增长,导致导频开销巨大,降低通信系统效率,而且精确估计下行链路的信道状态信息(CSI)并不容易。由于目前大多数蜂窝网都是FDD制式且FDD对于延迟敏感型系统更有效率,因此研究FDD下更为有效的信道估计很有必要。传统的估计下行链路信道的CSI技术,如最小二乘法和最小均方误差法,在大规模MIMO场景中因导频开销巨大而不再适用。大规模MIMO系统中数目较大的天线阵列产生的信道矩阵在特定域呈现稀疏性质。大规模MIMO信道估计问题可转化为压缩感知重建问题,采用压缩感知重建算法完成信道估计;同时,观测矩阵的互不相干性可作为导频优化准则。本文重点研究了FDD模式下大规模MIMO系统基于压缩感知的信道估计及导频优化算法。我们以最小化观测矩阵的总和互相关值为设计准则,提出了两种导频优化方法:(1)基于随机高斯矩阵的导频优化方法,对随机生成的高斯矩阵采用迭代算法,从而获得优化的导频矩阵;(2)基于部分傅里叶矩阵的导频优化方法,即通过随机搜索算法选取傅里叶矩阵的若干行作为导频矩阵,从而使得观测矩阵具有较小的互相关值。仿真结果表明,通过降低观测矩阵的互相关值能够有效降低稀疏信号的估计误差。与未优化的导频序列相比,采用本文提出的两种导频优化方法获得的优化导频序列能够有效降低MIMO系统信道估计的均方误差1~3dB,随着信噪比的增大,性能改善越明显。另外,基于部分傅里叶矩阵导频优化方法获得的导频性能优于基于随机高斯矩阵方法获得的导频。