[发明专利]大规模MIMO的自适应双阈值下行信道估计方法

说明书

本发明针对于大规模多输入多输出(MIMO)系统OFDM下行链路，提出了一种自适应阈值的分段正交匹配追踪的信道估计方法。该方法利用信号的稀疏性质，用信息采样代替信号采样并从随机映射的观测值中获取有效信号，同时结合比例‑积分‑微分和残差分布特性的思想，能够在未知信号稀疏度的前提下自适应获取迭代最佳阈值。仿真结果表明，该方法能根据信号稀疏度的变化自适应进行信道估计，并且在同等信噪比情况下，重构信号的精确度比传统方法更高。

技术领域

本发明属于无线通信领域，涉及多输入多输出(Multi-input Multi-output，MIMO)通信系统的信道估计方法，具体地说是一种基于压缩感知的大规模MIMO通信系统的下行链路自适应信道估计方法。

背景技术

大规模多输入多输出(MIMO)系统配备高数量的天线，以提高多路复用的能效，因它的高可靠性和显著提高了无线系统容量的特点而广泛应用于许多无线标准中。在大规模MIMO系统中由多个天线引起的多载波信号叠加特性使得信道估计变得困难，并且下行链路信道的CSI只能通过接收器来估计信道状态信息，目前可通过稀疏信号恢复方向尝试估计信道状态。

而压缩感知技术就是利用信号的稀疏性质或在变换域上可压缩的特点，用信息采样代替信号采样并从随机映射的观测值中获取有效信号，对于模拟信号来说其信号压缩不受奈奎斯特采样率的限制，同时离散信号的去相关压缩性能也比传统压缩技术(DCT)有所提升，压缩感知算法主要包括凸优化法和贪婪匹配追踪算法。

经典的贪婪重构恢复算法有正交匹配追踪(OMP)算法，正则化正交匹配(ROMP)算法以及广义正交匹配追踪(GOMP)算法，这几种算法恢复信号时都需要借助于信号的稀疏度信息；但在实际情况中，信道的稀疏度是一个不确定信息，这就对当前算法下重构精度有所影响。后来提出了分段正交匹配追踪(StOMP)算法，在无需确定信号稀疏度的前提下较为准确的恢复信号，但是由于其阈值参数和迭代次数的设置都是人为凭经验设置的，因而每次迭代重构出的信号可能与原信号有一定的误差，重构的精度因此降低。

发明内容

近年来，随着对压缩感知重构算法的研究越来越深入，原子挑选方式对信号重构效率有直接的影响。为了解决上述问题，本发明主要针对固定阈值和迭代停止条件问题，提供了一种适用于多小区多用户的MIMO-OFDM系统下行链路的信道估计方法。

本发明解决技术问题所采取的技术方案为：

该方法所采用的系统模型为密集小区的大规模MIMO-OFDM系统模型，该该系统模型中每个小区采用中心基站并配有M根均匀排列的发射天线，用于服务小区中K个同时通信的移动用户。

设该系统模型下共有I个小区，每个小区中有K个用户，第i个小区中第j个用户接收到的信号y_ij表示为：y_ij＝G_ijx_j+n_i。

其中：G_ij表示第i个小区中第j个用户接收到的信道矩阵，x_j表示第j个用户发射的训练序列；n_i表示第i个小区内用户接收到的高斯白噪声。

采用矩阵形式来表示第i个小区接收到的信号，则为：Y_i＝G_iX_i+N_i。

其中：G_i＝[G_1iG_2i…G_Ki]为这I个小区中所有的用户信道组成的合信道矩阵；X_i为第i个小区发送的训练信号矩阵；N_i为第i个小区的接收高斯白噪声。

该方法是在信道稀疏度和信噪比未知的情况下，对当前多用户多小区系统的下行信道状态信息进行估计：