宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案

————————————————————————————————————————————————宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案作者黄灿，李素月，王安红机构太原科技大学电子信息工程学院DOI10.3969/j.issn.1001-3695.2018.04.0321基金项目国家自然科学基金资助项目（61501315，61672373）；山西省高等学校科技创新项目（2015169）；山西省科技创新团队资助项目（201705D131025）；校博士启动金资助项目（20142005）；山西省“1331工程”重点创新团队资助项目（KITSX1331）预排期卷《计算机应用研究》2019年第36卷第11期摘要大规模MIMO-OFDM系统下行链路利用压缩感知算法获得信道状态信息需要已知信号的稀疏度作为先验条件，然而实际环境中，无线信道的稀疏度是未知的。利用大规模MIMO信道的空时共同稀疏性的特点与不同SNR下设置不同停止迭代阈值的思想改进压缩感知重构算法，目的在于使所提算法不仅提升估计性能，还可以准确获得信道的动态稀疏度。通过实验可知，相比传统的CoSaMP算法和S-CoSaMP算法，SSA-CoSaMP算法在同等信噪比下具有更良好的信道估计性能，并且可以自适应地获取稀疏度。更适合实际工程中应用。关键词大规模MIMO；压缩感知；稀疏度自适应；稀疏信道估计；空时共同稀疏性作者简介黄灿（1987-），男，山西太原人，硕士，主要研究方向为大规模MIMO稀疏信道估计､大规模MIMO无线通信技术；李素月（1980-），女（通信作者），副教授，硕导，博士，主要研究方向为无线通信系统中的信道估计和均衡技术､基于压缩感知的信号处理､大规模MIMO物理层关键技术等（[e-mail]）；王安红（1972-），女，数字媒体与通信研究所所长，教育部新世纪优秀人才，博导，博士，主要研究方向为2D/3D视频图像编码传输与识别､图像/视频编码､基于压缩感知的视频/图像处理､基于深度学习的视频/图像处理．中图分类号TP929.5访问地址投稿日期2018年4月27日修回日期2018年6月22日宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案————————————————————————————————————————————————发布日期2018年8月10日引用格式黄灿,李素月,王安红.宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案[J/OL].2019,36(11).[2018-08-10].第36卷第11期计算机应用研究Vol.36No.11优先出版ApplicationResearchofComputersOnlinePublication——————————收稿日期：2018-04-27；修回日期：2018-06-22基金项目：国家自然科学基金资助项目（61501315，61672373）；山西省高等学校科技创新项目（2015169）；山西省科技创新团队资助项目（201705D131025）；校博士启动金资助项目（20142005）；山西省“1331工程”重点创新团队资助项目（KITSX1331）作者简介：黄灿（1987-），男，山西太原人，硕士，主要研究方向为大规模MIMO稀疏信道估计､大规模MIMO无线通信技术；李素月（1980-），女（通信作者），副教授，硕导，博士，主要研究方向为无线通信系统中的信道估计和均衡技术､基于压缩感知的信号处理､大规模MIMO物理层关键技术等（[e-mail]）；王安红（1972-），女，数字媒体与通信研究所所长，教育部新世纪优秀人才，博导，博士，主要研究方向为2D/3D视频图像编码传输与识别､图像/视频编码､基于压缩感知的视频/图像处理､基于深度学习的视频/图像处理．宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案*黄灿，李素月†，王安红(太原科技大学电子信息工程学院,太原030024)摘要：大规模MIMO-OFDM系统下行链路利用压缩感知算法获得信道状态信息需要已知信号的稀疏度作为先验条件，然而实际环境中，无线信道的稀疏度是未知的。利用大规模MIMO信道的空时共同稀疏性的特点与不同SNR下设置不同停止迭代阈值的思想改进压缩感知重构算法，目的在于使所提算法不仅提升估计性能，还可以准确获得信道的动态稀疏度。通过实验可知，相比传统的CoSaMP算法和S-CoSaMP算法，SSA-CoSaMP算法在同等信噪比下具有更良好的信道估计性能，并且可以自适应地获取稀疏度。更适合实际工程中应用。关键词：大规模MIMO；压缩感知；稀疏度自适应；稀疏信道估计；空时共同稀疏性中图分类号：TP929.5doi:10.3969/j.issn.1001-3695.2018.04.0321AdaptivesparsechannelestimationforbroadbandmassiveMIMO-OFDMsystemsHuangCan,LiSuyue†,WangAnhong(CollagelofElectronicInformationEngineering,TaiyuanUniversityofScience&Technology,TaiYuan030024,China)Abstract:InmassiveMIMO-OFDMsystem,mostofthecompressedsensingtheoryreconstructionalgorithmsneedthesparsityoftheknownsignalasaprioricondition.However,intheactualenvironment,thesparsityofthewirelesschannelisunknown.Therefore,theproposedalgorithmusedthespace-timecommonsparsityoftheMassiveMIMOchanneltoreasonablysetthestoppingiterationparametersunderdifferentSNRtoobtainaccuratedynamicsparsity.Theexperimentalresultsshowthat,comparedwiththetraditionalCoSaMPandS-CoSaMPalgorithms,theSSA-CoSaMPalgorithmhasbetterchannelestimationperformanceunderthesameSNRandcanobtainthesparsityadaptively.Keywords:massiveMIMO;compressivesensing;sparsityadaptive;sparsitychannelestimation;spatio-temporalcommonsparsity0引言大规模MIMO是通过利用在基站侧部署大量的发射天线并且实现同时服务于多个单接收天线用户的系统[1]。因此，大规模MIMO表现出良好的抗噪声、抗窄带衰落的能力，以更好的利用日渐珍贵的频谱与能量资源，成为了未来5G发展的关键技术[2,3]。在大规模MIMO系统中，无论是信号检测、波束赋形，还是资源分配、信道分配都需要获得准确的CSI。因此，性能杰出的信道估计方案成为了大规模MIMO的支撑技术。目前，关于大规模MIMO的绝大多数的研究都是在时分双工(timedivisionduplex,TDD)模式下进行的，目的在于利用上下行信道的互易性，通过对上行链路的信道估计而得到下行信道的CSI[4]。但是，频分双工(frequencydivisionduplex,FDD)模式比TDD模式的延时更低、通信效率更高，且国际上大部分国家现阶段的蜂窝系统都是FDD模式的[5]。所以，对于FDD模式下的大规模MIMO的信道估计研究具有深远的意义。然而，在FDD模式下，对于下行链路进行准确估计是十分困难的[6]。基站侧分布着大量发射天线，而这些发射天线同时向用户发送数据，因此，这样就要求用户侧准确估计出每一根发射天线与用户侧的单接收天线所构成的CSI。同时满足较高的精确性和较低的导频开销也是十分困难的。OFDM系统有诸多优势，例如较高的频谱利用率，良好的抗多径干扰的能力和抗窄带衰落的能力等[7]。在无线通讯用户激增的今天，需要提升更多的系统容量，因此把正交频分复用系统与大规模MIMO系统联合作用，从而实现天线分集与空间复用[7]。当前的通信环境下，可利用的无线带宽频率越来越匮乏，将两种系统结合起来，可以极大地提升频谱资源的利用率，同时还可以针对无线信道频率有选择性衰落环境进行有效处优先出版黄灿，等：宽带大规模MIMO-OFDM系统自适应稀疏信道估计方案第36卷第11期理。典型的宽带无线传输环境存在频率选择性衰落的情况，因此，为了解决这一问题，我们将大规模MIMO与OFDM系统联合使用建立大规模MIMO-OFDM系统[8]。在大规模MIMO-OFDM传输环境中，分布着大量的散射体，形成了瑞利多径传输信道。并且无线信道的绝大多数能量集中在信道冲击响应(channelimpulseresponse,CIR)的极少分量上[9]，使得用户侧与基站侧所形成的CSI天然地呈现了稀疏性[10,11]。根据信道所呈现的稀疏性，可以利用压缩感知(compressivesensing,CS)对信道进行估计[12]。然而，实际环境中，无线信道的稀疏度是未知的。那么就要求在不知道稀疏度的情况下，算法本身可以估计出信道的稀疏度[13]。因此，本文提出稀疏度自适应压缩采样匹配追踪(SSA-CoSaMP)算法，利用空间共同稀疏性不仅可以提升估计性能，还可以节省导频开销，并且使算法获得稀疏度自适应的能力。本文的主要工作包括以下四个方面：a)对CoSaMP算法进行稀疏度自适应化改进，使得算法在稀疏度未知的情况下可以自身获取稀疏度；b)在稀疏度自适应的基础上利用大规模MIMO信道空时共同稀疏特性，进行结构化处理。不仅使获取稀疏度速度更快，而且提升估计性能及准确度；c)算法停止迭代参数的确定；d)通过仿真程序验证了提出的信道估计算法的精度及性能。1大规模MIMO-OFDM空时共同稀疏性1.1大规模MIMO信道的空间共同稀疏性在大规模MIMO-OFDM系统信号传输的实际环境中，分布着大量的散射体，形成了瑞利多径传输信道。并且无线信道的绝大多数能量集中在CIR的极少分量上[14]，使得用户侧与基站侧所形成的CSI天然地呈现了稀疏性[15]。与此同时，基站侧每一根发射天线发出的信号在到达用户侧的接收天线时，所经过的散射体非常相似，几乎一致。也就是用户侧的单天线与基站侧的所有天线有空间共同稀疏性的特点。此外，由于与时间信道相关的路径增益相比，路径延迟的变化慢得多，所以在相干时间期间，这种稀疏性几乎不变[16]，形成时间相关性的特点。典型的单小区下行多用户大规模MIMO-OFDM无线通信系统存在空间共同稀疏性，而这是由多径效应、天线物理特性和无线传输环境等多方面因素共同引起的。在无线传输环境中，散射体使得信号从同一根发射天线到接收天线之间形成多条路径，形成多径效应。然而，就在这些传输路径中，从发射天线到达接收天线的时间也是不一致的[17]。因此，使得极少部分多径分量上有着CIR的绝大多数能量，即CIR能量不是均匀分布在信道的全部抽头上，呈现稀疏性。特别地，大规模MIMO的第m个发射天线和一个单接收天线的用户间形成的CIR可以表达为,,,,1,2,...,TmrmrmrmrLhhhh(1)其中:r代表第r个OFDM符号，L代表等效信道长度，1mM。用,mr表示,mrh的支撑集，可表示为,,s