5G通信系统中信道的估计和均衡的方法研究

发布时间：2020-06-20 23:55

【摘要】：大规模MIMO技术的众多优势使其成为5G通信的关键技术之一。随着天线的增多,信道矩阵维度越来越高,信道会更加复杂,这对信道估计和均衡算法提出了更高的要求。本文研究了三种基于导频的信道估计方法,其中贝叶斯信道估计方法利用了信道的统计特征,如到达角(AOA)信息,有较好的抗导频污染能力。最后通过仿真实验对比其与LS估计的性能,实验结果表明贝叶斯信道估计方法有着较好的抗导频污染能力。基于导频的信道估计方法较为简单,但导频污染会严重制约系统性能。为了解决导频开销的问题,一个有潜力的选择是利用无线信道的稀疏性,采用稀疏信道估计的方法。然后本文研究了压缩感知的理论和恢复算法,分析了大规模MIMO系统波束域信道的特性,在基于压缩感知的基础上提出了波束域信道估计方法,并给出了基于ZC序列的确定性导频矩阵的设计和M-SP算法。根据仿真结果可知,本文提出的确定性测量矩阵的性能接近甚至优于随机测量矩阵,M-SP算法在很大程度上提升了SP算法的性能,改进了SP算法在估计近似稀疏信号时的部分缺点,并且本文提出的波束域信道估计的性能优于传统的LS信道估计的性能。大规模MIMO信道均衡技术分线性均衡与非线性均衡。线性均衡算法通过将接收向量进行线性转换来生成发送信号的近似估计值。大规模MIMO系统中信道常用的线性均衡技术有ZF,MMSE以及OSIC等。而非线性均衡则不是直接将接收向量进行线性转换,需要结合一些特殊处理,比如信噪比排序以及近似正交化处理等方式,因此具有相对较高的复杂度,常用的非线性均衡方法有,干扰相消均衡(SIC),格基约减均衡(LR)等。
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN929.5
【图文】：

波束域,信道

根据空间信道模型产生的下行链路信道，如图4.1 和 4.2 分别表示的是波束域信道模值和基站侧相关阵反映信道的空间特征。下列图 4.1 是对波束域信道的能量分布进行了绘制，根据图中的描述可知，在在发射波束域信道的能量时，端口出现相对集中的特点，并且能量主要在第 83、84、85、86、88个波束上集中体现，因此，用户的能量被集中体现在几个少数的波束从图上。图 4.2 反应的是在波束域信道上，于此相对的基站侧相关阵的能量，从图中可得，基站侧信道在波束域信道上呈现出近似对角线阵的现象，从而可以的出，DFT 矩阵呈现出的矩阵同样也具有近似为基站侧的特征。从图中可以看出，83至 88 个波束也是相关阵中对角线上的功率的集中体现。表 4.1 波束域特性仿真取值范围关键参数仿真取值信道模型 SCM场景 Suburban macro基站侧天线数目 128天线阵列均匀线阵用户侧天线数目 1天线间隔半波长量级小区半径 500m

散射体,场所,相关阵,基站

28图 4.2,bk jh 的相关阵kR些基站往往都会建设在特别高的场所，这些场所周围的散射体数量围位置往往也非常低，虽然说周围有很多散射体，但是 AS 都非常量是非常有限的，据此我们可以推算得到,bk jh 的若干少数波束就涵盖先我们假设存在典型的场景，再基站侧旁边树立起了 128 根天线 U以得到s 180 / M 1.406[22]，整个信道能量基本上集中在8 [1目比 128 就要小很多了。因此，,bk jh 分布就相对来说比较稀疏性[23]，符合,supp( )bk k j k h s M示的含义为支撑集合，ks 表示的含义为稀疏度。

【相似文献】