论文部分内容阅读
为了应对第五代移动通信系统(5G)中更高数据率和更低时延的需求,大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术已经被提出并被广泛研究。大规模MIMO技术具有频谱效率高,能大幅度提升多用户网络容量等优势。然而,随着大规模MIMO基站侧天线数的增加,其信道估计复杂度会不断提高,传统信道估计算法(例如:最小二乘算法和最小均方误差算法)在大规模MIMO系统已不再适用。将压缩感知理论应用到大规模MIMO系统进行信道估计是解决其信道估计问题的另一种有效方法,它可以同时在降低导频开销和算法计算复杂度的情况下获得良好信道估计性能。针对现有基于压缩感知的大规模MIMO系统稀疏信道估计算法存在运算时间较长,计算复杂度较高的缺陷,本文研究了大规模MIMO系统的稀疏信道估计算法,开展了如下研究工作。(1)研究了无线信道的大尺度衰落特性和小尺度衰落特性并分析了MIMO系统的模型特性,信道容量,进而对大规模MIMO的系统模型,信道容量和收敛性进行分析,并通过仿真对大规模MIMO信道矩阵渐进正交性理论进行了验证。(2)研究了传统MIMO系统信道估计算法,包括最小二乘(Least Square,LS)算法、最小均方误差(Minimized Mean Square Error,MMSE)算法,详细阐述了两种算法原理,分析说明了两种算法在大规模MIMO系统下的不适用性。紧接着,总结压缩感知理论研究进展,利用大规模MIMO系统信道在角度域具有稀疏特性,推导了角度域下行大规模MIMO系统模型公式并总结系统稀疏信道估计算法流程。然后分析了经典正交匹配追踪(Orthogonal Matching Pursuit,OMP)信道估计算法步骤,针对无线信道稀疏度不易准确获取会导致OMP算法精度下降的缺陷,分析给出改进的稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)信道估计算法,最后进行了算法性能分析和仿真验证。理论分析和仿真结果表明稀疏信道估计算法与传统信道估计算法相比能较大幅度的降低导频开销和提高信道估计精度,更具实用价值。(3)基于上述研究成果,进一步研究了结构化压缩感知理论,分析当无线信道具有结构化稀疏特性时,利用结构化压缩感知理论进行信道估计时能获得更好的估计性能。首先,针对传统信道估计导频分布方案在大规模MIMO系统中应用会产生导频开销大,频谱利用率低的现象,给出了一种新的大规模MIMO信道估计导频分布方案(非正交导频)。然后分析了大规模MIMO系统时延域空时相关特性,给出基于空时相关性的大规模MIMO结构化稀疏信道估计算法流程,针对算法中每次迭代步长增长缓慢会产生过度估计问题,在算法中引入变步长思想,通过设置两个迭代判断准则,提出变步长自适应结构化子空间追踪(Variable step size Adaptive Structured Subspace Pursuit,VssASSP)算法,在高信噪比条件下能保证信道估计精度的同时有效降低算法计算复杂度,实现快速信道估计过程。通过算法分析和仿真验证表明,在相同条件下所提算法与传统的子空间追踪(Subspacepursuit,SP)算法相比,所提算法的导频开销可降低约20%。在高信噪比条件下,与ASSP算法相比,所提算法可提供约5dB的信噪比(Signal noise ratio,SNR)增益。综上,通过理论分析和仿真结果表明,本文所提算法在未来5G应用中具有较大的理论价值和潜在的应用前景。