论文部分内容阅读
5G商业化的铺展已经成为大势所趋,被称为核心技术之一的大规模多输入多输出（Massive Multiple Input Multiple Output,Massive MIMO）技术,相比于传统的MIMO技术,可以让系统获得更大的容量和更高的频谱利用率,在用户体验上具有极大的潜力。而精确地获知信道状态信息（Channel State Information,CSI）是更好发挥大规模MIMO优势的先决条件。然而,大规模MIMO的核心是在基站配置数量众多的天线,这导致了信道在空间维度上的扩张,同时也提高了CSI获取的难度。而且,在用户端高速移动的状态下,由速度和多普勒频移带来的训练时延和反馈时延,也严重影响了CSI获取的时效性。特别是在频分双工（Frequency Division Duplexing,FDD）系统中的下行CSI采集问题上,由于完全的信道互易性不再成立,基站很难从上行信道信息直接推断出下行信道信息。从而,FDD下行CSI获取要比时分双工（Time Division Duplexing,TDD）下行CSI获取更加困难。针对上述现象,本文重点探讨了FDD大规模MIMO系统中下行CSI获取的问题,考虑了相干信道和快速变化信道两种场景,分别提出了相应的CSI获取方法,其主要研究内容和成果如下:第一,在相干信道场景下,结合FDD系统中上下行信道的空间互易性,提出了一种基于参考框架的自适应训练-反馈方法。该方法的主要思想是,首先设计了一个匹配信道张量积结构的参考框架。基于上下行CSI的空间互易性,利用上行信道信息和奇异值分解确定下行信道所在的子空间。然后将子空间的基向量作为导频发送给用户端。从而,用户端可通过训练得到下行信道由这组基向量表示的系数。最后,用户端利用设计的预编码码本将得到的系数反馈给基站。结合基向量和反馈得到的系数,基站就可以得到下行CSI。由于按照该方法设计的导频是根据上行信道生成的,因此具有自适应性,且能有效地较少训练开销和反馈开销,仿真还验证了该方法的性能要优于[14]提出的方法。第二,针对快速变换信道,利用空间互易性并结合主成分分析（Principal Component Analysis,PCA）的思想,提出了一种基于PCA的自适应训练-反馈方法。该方法的主要思想是,根据空间互易性,利用上行信道信息,通过PCA技术和奇异值分解提取出信道子空间的基向量并将其作为导频发送给用户端进行训练。用户端将训练得到的系数再反馈给基站,根据基向量和反馈得到的系数,基站就能获取到下行CSI。并且根据仿真验证,即使用户端处于高速移动的场景中,在少量训练次数下,与理想方案相比,该方法还能够获得良好的性能,其性能损失也可以接受。