论文部分内容阅读
随着无线通信的发展,能支撑高速率的移动通信业务的大规模多输入多输出(multiple-input-multiple-output,MIMO)被认为是下一代移动通信系统的关键技术之一。在基站端或者用户端配置的大规模天线阵列,可以大幅度提升系统吞吐量,并从统计信道状态信息(channel state information,CSI)中获益。大规模MIMO的性能很大程度上取决于基站是否能精确获取当前上下行链路的CSI。实际无线通信系统常用基于导频的信道估计技术来准确及时获取CSI。大规模MIMO系统基站端天线数达数十甚至数百以上,导频污染、导频资源消耗以及导频功率等问题限制了系统性能进一步提升。本论文针对上述问题展开大规模MIMO系统导频设计和信道估计技术的研究。对此作了如下工作:1)信道估计常用的方法可以大致分为两类:利用导频的方法和盲估计方法。本文对基于导频信道估计的方法,分析了传统导频方案,和压缩感知的两种经典算法。2)提出了一种非正交导频放置方案:分析了大规模MIMO信道的空间共同稀疏性,传统的算法并没有利用这种特性;之后针对这种特性设计了一种压缩感知框架下的非正交导频放置方案,它允许不同天线的导频占用相同的子载波,相比传统方案极大减少了导频开销;最后基于该导频方案构建了压缩感知估计算法用到的测量矩阵,并证明提出测量矩阵理论上可以进行可靠稀疏信号恢复。3)分别基于贪婪和贝叶斯思想提出了两种时域改进的稀疏信道估计方法,一种基于正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法的多任务正交匹配追踪(Multitask Orthogonal Matching Pursuit,MOMP)算法,一种基于贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)算法的改进的BCS算法。这两种算法相比传统算法的优势主要是,利用不同天线间信道脉冲响应的共同稀疏性,进行联合估计。并对其算法复杂度和收敛性进行分析。最后进行仿真,证明提出的方法相比传统方法有较大幅度的性能提升。4)通过分析频分复用(Frequency Division Duplexing,FDD)大规模MIMO不同子载波间虚拟角度域信道的共同稀疏性提出了一种压缩感知(Compressive Sensing,CS)信道估计方案。该方案能够在基站实现鲁棒且精确的CSI获得,极大减少了信道估计和反馈所需的时隙开销。并且本章归纳了CS理论中多测量向量(Multiple Measurement Vector,MMV)到广义多测量向量(Generalized MultipleMeasurement Vector,GMMV)问题的改进之处并基于此合理的设计了非正交导频方案和改进了估计算法。仿真结果证实了该方案可以以一个合理的时隙开销,可靠的达到性能基线的性能。最后对全文进行总结,以及展望待探索区域。