基于压缩感知方法的FDD大规模MIMO信道状态信息获取机理及方法研究

发布时间：2020-11-03 07:00

　　 大规模MIMO技术是实现5G移动通信系统eMBB场景下高性能空口传输的关键之一。大规模MIMO系统中的基站和用户设备皆配备了具有大量单元的天线阵列,为系统引入了额外的空域自由度,从而奠定了大规模MIMO系统空口传输性能提升的基础。确保大规模MIMO系统在低导频开销条件下具备获取高精度信道状态信息的能力是实现空口传输性能提升的关键和难点。在FDD大规模MIMO系统下行链路的信道估计流程中,系统导频资源受限与基站天线阵列维度极大、信道估计精度要求较高之间的矛盾尤为突出。为了解决这一矛盾,本文主要在三个方面展开了研究工作。1)本文首先建立了大规模MIMO OFDM系统中的信道响应模型,并引入虚拟角域及虚拟角域变换的概念,实现了大规模MIMO系统信道响应由空域至虚拟角域的相互转换。之后,本文建立了OFDM系统中的信道插值性质及信道训练的导频承载结构。最后,本文对信道在虚拟角域表述基础上的稀疏特性进行了分析。2)本文明确了压缩感知重构算法重构效率与算法不确定度—稀疏度折衷性能之间的关系,选定了GAMP作为信道估计的基础算法框架。随后,本文将GAMP算法扩展至复数域,推导了可以求解信道响应这类稀疏目标的C-BG-GAMP算法。3)本文首先定义了稀疏信号去零划分信息及对应去零划分比的概念。随后,本文论证了去零划分信息对C-BG-GAMP算法重构效率的提升效果,并通过仿真结果证实了这些结论。之后,本文提出了一种去零划分信息学习算法,并论证了这一算法的有效性。最后,本文对信道估计中的去零划分信息学习算法进行了修订,最终形成了去零划分信息学习增强的C-BG-GAMP信道估计算法方案。第一个方面的工作中,信道模型的建立及信道稀疏性的解析是压缩感知技术在信道估计中得到有效应用的保证;第二个方面的工作中,C-BG-GAMP算法的推导解决了GAMP算法针对复数域目标的应用;第三个方面的工作中,结合信道的结构性稀疏特性,信道估计中的C-BG-GAMP算法得到了进一步的改进和应用。前两个方面的研究内容是第三个方面工作中信道估计算法提升的基础与支撑。仿真结果证实了本文提出的全新信道估计算法能够在相同的导频开销条件下取得超过M-SBL及J-OMP信道估计算法的精度性能,并取得超过原C-BG-GAMP信道估计算法的精度性能。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN929.5
【部分图文】：

２．１引言??ＦＤＤ大规模ＭＩＭＯ?ＯＦＤＭ系统信道响应模型建立在传输激励的信道响应模型??基础之上［２８］。本文采用二维平面传输激励的信道响应模型，其结构如图２－１所示。??＃?Ｉ??４?靈；，ｔ二??￥?丨丨Ｉ维???７??ｉ＼Ｔ?１?￣￣￣＼?！?＼?！?＼?Ｉｆ?＾ｉＳｉｎ＾ｉ）??ｉ！?；?：：—ｍ?：＞??＾?主径３?運吳备?１线一？纟４关巍Ｓ列云丨叫??１?Ｎｔ－１?Ｎｔ?Ｎｔ＋１??二维天线阵列方向?｜??（ａ）?（ｂ）??二维天线阵列方向??ｔｉ??｜?＼主径主径主径“??主径２………■—矸德、??Ｎｒ＋Ａ?Ｎｒ＼?Ｎｒ－＼??＜阵列延伸方向?＼??挪?＼??二维天线阵列方ｉｆ?＼?＼?＼??（ｃ）?（ｄ）??图２－１对应ＭＩＭＯ系统的二维无线电信号传输路径模型示意图。（ａ）发射机与传输路??径关系；（ｂ）发射机信号相位；：（ｃ）接收机与传输路径关系；（ｄ）接收机信号??相位??１１??

ｓｕｐｐ（＾ｃａ（？１））?＝?ｓｕｐｐ（ｇｃｏ?（ｎ２）），Ｖ？！，？２?ｅ?［０，ｉＶ－１］?（２－６９）??根据公共支撑集的定义，向量＆ａ与具有公共支撑集。??与公式（２－６９）对应，图２－３揭示了大规模ＭＩＭＯ?ＯＦＤＭ系统中不同子载波??上下行链路虚拟角频域信道响应向量的公共支撑集性质。??当对向量与进行概率描述时，我们可以得出：??ｐ｛ｓｃａ?（ｎｕｉ）＾°）?＝?ｐ｛ｇｃａ（ｎ２＞ｉ）＾（ｉ）＞?ｖ？ｉ?，ｎ２?ｅ［〇，Ｎ－ｌ］，ｉ?ｅ?［０，?ＮＴ?－１］?（２－７０?）??２６??

?（３－９）??根据文献［５６，５７］，针对公式（３－５）中的压缩感知问题，基于公式（３－９），本??文建立了如图３－１所示的因子图。该因子图中，包含以下四个节点及相互连接关系。??１）
【参考文献】

相关期刊论文 前2条

1 陈晓贝;魏克军;;全球5G研究动态和标准进展[J];电信科学;2015年05期

2 曹诚;;5G网络架构和关键技术[J];无线互联科技;2015年09期

本文编号：2868254