MIMO无线通信系统全向传输与信道估计理论方法研究

发布时间：2018-05-23 13:24

  本文选题：MIMO + 大规模MIMO　； 参考：《东南大学》2016年博士论文

【摘要】：多输入多输出(MIMO, Multiple-Input Multiple-Output)技术通过在发射端与接收端配置多根天线,能够在无线信道中提供除了时间与频率以外的空间自由度。这一额外的自由度可以被用来提供更高的频谱效率、功率效率以及传输可靠性,从而为频谱资源日益紧张的现实问题提供了有效的解决途径。MIMO技术已成为现代蜂窝移动通信系统的关键技术之一。本论文开展MIMO无线通信系统全向传输与信道估计理论方法研究。首先,研究了大规模MIMO系统中的全向传输问题。提出了全向预编码大规模MIMO全向传输理论方法,其中基站(BS, Base Station)所发射的高维信号矢量由一个全向预编码矩阵和一个低维信号矢量组成。在这种情况下,用户终端(UT, User Terminal)仅需要估计预编码后的降维等效信道,因此,下行导频开销可以被显著降低。对于所提出的基于全向预编码的传输方法,给出了全向预编码矩阵所需要满足的三个必要条件,以满足：全向传输以保证全小区覆盖,所有天线的平均发射功率相等以最大程度利用BS天线的功放容量,以及在独立同分布信道下最大化可达遍历速率。通过利用Zadoff-Chu (ZC)序列及其性质,给出了同时满足以上三个条件的全向预编码矩阵的若干设计,同时分析了这些设计所对应的系统可达遍历速率、中断概率以及峰均功率比(PAPR, Peak-to-Average Power Ratio)性能。分析表明,其中一种专门的设计具有如下特点：不论是独立同分布信道还是空间相关信道,其都能够在大维情况下最大化可达遍历速率、最大化可达分集度与最小化中断概率；其能够在预编码后保持发送信号的PAPR。其次,研究了大规模MIMO系统中的全向空时分组编码问题。为了降低下行导频开销并从BS的发射天线上获得部分空间分集,提出将高维的空时分组码(STBC, Space-Time Block Code)矩阵分解为一个与信道独立的预编码矩阵以及一个低维的STBC矩阵。通过联合设计预编码矩阵与低维STBC矩阵中的调制符号星座,可以保证在每个瞬时时刻,BS在各个方向上以及各个天线上的发射功率都相等,同时还可以获得低维STBC的满分集。在这一架构下,设计了若干STBC的实例,其中预编码的阿拉莫提码可以通过单符号最大似然(ML,Maximum Likelihood)译码获得分集度2,预编码的准正交STBC可以通过双符号联合ML译码获得分集度4,而预编码的非零元托普利兹码以及预编码的非零元重叠阿拉莫提码可以通过线性接收机译码并获得更高的分集度。然后,研究了毫米波大规模MIMO系统中的下行同步问题。首先,给出了BS与UT的射频数都受限的情况下同步信号的收发模型,并根据此模型,推导了基于广义似然比检验准则的最优同步检测器。然后,给出了发射与接收波束赋形矩阵应当满足的若干必要条件,其中包括：在整个同步过程中实现全向覆盖,使用所提同步检测器时的渐进虚警概率最小,以及使用所提同步检测器时在独立同分布信道与单径信道下的渐进漏检概率最小。接着,通过利用ZC序列以及Golay序列,给出了同时满足这些条件的发射与接收波束赋形矩阵的若干设计。与传统的波束扫描方法相比,所提的同步信号传输方法具有显著的性能增益。接着,研究了MIMO-OFDM系统中考虑同信道干扰的信道估计问题。提出联合估计信道频域响应(CFR, Channel Frequency Response)矩阵与干扰加噪声协方差(INC, Interference-plus-Noise Covariance)矩阵的理论方法。CFR矩阵可以利用信道的时域稀疏性并根据最小二乘准则直接估计。与在频域直接估计INC矩阵的传统方法不同,提出在时域中估计干扰加噪声的自相关函数。自相关函数的估计分为两步：首先,给出了残差样本自相关函数与真实自相关函数间的关系,并利用这一点,提出了一种补偿方法用来改进估计精度：然后,由于所得到的经补偿的残差样本自相关函数不能保证是自相关序列,提出使用半正定规划(SDP, Semi-Definite Programming)来寻找一个与之最为接近的自相关序列,并通过求解该SDP问题的对偶问题,显著降低了运算复杂度。最后,所得到的ICM估计可以被用来改进CFR的估计。将估计得到的CFR矩阵与INC矩阵用于干扰抑制合并接收机,可以获得出色的干扰抑制性能。最后,研究了MIMO系统中考虑同信道干扰的半盲信道估计问题。提出联合利用导频与数据接收信号来估计信道矢量与[NC矩阵的理论方法。当数据信号的长度较大时,数据接收信号的样本协方差矩阵可以被近似为信道矢量的协方差矩阵与INC矩阵的和。利用这个性质,提出了一种对信道矢量与INC矩阵进行联合条件ML估计的方法,并将其建模为一个非凸优化问题。该问题的求解分为两步：首先,推出了关于信道矢量的最优准闭式解,其中只包含一个未知的标量参数；然后,通过求解多项式方程来得到该标量参数。虽然这个联合条件ML估计器的理论推导是基于数据信号的长度充分大这个假设,然而仿真结果表明,只要数据信号的长度不是非常小,所提出的联合条件ML估计与传统的ML估计相比,仍然有着显著的性能增益。
[Abstract]:A multi - input multiple - output ( MIMO ) technique is used to provide multiple antennas at the transmitting end and the receiving end , which can provide more space degrees of freedom except time and frequency in the wireless channel .
鍏惰兘澶熷湪棰勭紪鐮佸悗淇濇寔鍙戦，

本文编号：1924905