论文部分内容阅读
大规模多输入多输出（Multi-Input Multi-Output,MIMO）作为第五代移动通信系统(5thGeneration,5G)关键技术之一,通过在基站处配置数十根甚至数百根天线,显著提高了空间分辨率和空间复用能力。同时,大规模天线带来的阵列增益能以较小的功耗同时服务多个用户,有效提升系统的频谱效率和能效。精确的信道状态信息（Channel Sate Information,CSI）是发挥大规模MIMO技术巨大潜力的先决条件。在大规模MIMO系统中获取可靠的CSI非常具有挑战性,具体表现为:在时分双工（Time Division Duplexing,TDD）系统中,下行CSI利用上下行信道的互易性得到,但多小区导频复用导致的导频污染会严重制约TDD系统性能;在频分双工（Frequency Division Duplexing,FDD）系统中,信道互易性不存在,下行CSI是由用户根据导频信号估计下行信道并将估计信息反馈给基站而得到。这种CSI获取方式所需的导频和反馈开销与基站天线数成正比,会显著降低系统频谱效率。综上所述,在大规模MIMO系统中,需重点研究如何有效利用有限导频资源提高信道估计精度。为此,本论文重点研究了大规模MIMO信道估计中的导频优化问题。同时,随着5G在世界各地部署实现,研究者开始关注和研究后5代(Beyond 5th Generation,B5G)移动通信系统。为实现更高的频谱效率,B5G在大规模MIMO基础上探索超大规模天线技术,并将其与太赫兹频谱结合,研究新的天线技术。此外,日益增长的网络复杂度和不断涌现的各类智能应用,如无人驾驶、工业自动化和电子医疗等,使得增强网络智能化实现自组织变得十分关键。机器学习（Machine Learning,ML）,尤其是深度学习,是B5G网络智能化的关键。将深度学习技术引入通信系统的媒体接入控制层（Medium Access Control,MAC）和物理层等,其核心思想是利用大数据离线训练,实时数据在线快速更新模式有效挖掘复杂场景下系统的非线性特征,提升系统性能。目前,深度学习在无线通信中的应用研究尚处于起步阶段,为了促进B5G智能信号处理的发展,本论文对基于深度学习的信号检测进行了探索研究。本文的主要贡献如下:（1）利用空间联合稀疏性,将大规模MIMO正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）重叠导频模式下信道估计问题转化为块稀疏信号重构问题,基于结构化压缩感知实现块稀疏信号重构。根据重构算法的误差上界提出新的导频设计准则优化恢复矩阵,该优化准则充分利用分块恢复矩阵中子块间主角信息,在有效降低子块平均相关性的同时排除最差相关性,保证了可靠的信道重构性能。仿真结果表明,该导频设计方案在信道估计均方误差（Mean Squared Error,MSE）中的性能比随机导频方案小约3d B。（2）针对大规模MIMO OFDM系统重叠导频模式下的信道估计,提出了两种导频设计方案实现导频位置和符号的联合优化。方案一将导频位置和符号的联合优化分解为一个序贯优化问题,先确定导频位置,再优化导频符号;方案二考虑了导频位置和符号在优化恢复矩阵过程中的相互影响,交替迭代优化导频位置和符号,同时最小化互相关性和块相关性。仿真结果表明,这两种在均方误差（MSE）和比特误码率（Bit Error Rate,BER）性能方面明显优于随机导频。（3）将下行导频发送、CSI反馈和数据传输三个阶段作为一个整体,研究导频和反馈时长的优化问题。基于随机矢量量化（Random Vector Quantization,RVQ）的量化误差协方差矩阵的近似和接收信噪比（Signal to Noise Ratio,SNR）及频谱效率的确定性等价近似建立了关于导频和反馈时长的数学优化模型,基于该数学模型实现导频和反馈时长的最优分配。仿真结果表明,理论推导得到的接收SNR和频谱效率确定性等价近似可以很好的逼近真实值。同时,最优的导频和反馈时长取决于导频、反馈和数据符号的功率以及信道相关性。当信道强相关时,能以较小的导频和反馈开销得到较好的频谱效率。（4）针对OFDM系统,利用深度学习强大的特征凝练和非线性映射能力,设计了一个基于注意力机制的双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi LSTM）,实现快速在线信号检测。该检测算法利用Bi LSTM网络探索各子载波信道间的相关性,同时引入注意力机制自适应量化不同子载波通道上的干扰程度,依据干扰差异,对不同子载波网络参数进行差异化训练。实验结果表明,该方法与传统信号检测算法相比,尤其是在存在线性和非线性失真时,有更好BER性能。