[发明专利]基于矩阵恢复的大规模MIMO信道估计方法

说明书

本发明公开了一种基于矩阵恢复的大规模MIMO信道估计方法，包括构建大规模时分双工MIMO单小区多用户系统，并生成导频序列；按系统模型分别生成用户接收信号矩阵和信道矩阵；将信道估计问题的模型转化为最小化的矩阵弹性正则化模型；采用交替迭代算法来求解最小化的矩阵弹性正则化问题。本发明结合压缩感知方法应用于大规模MIMO系统信道状态信息的估计问题当中，利用大规模MIMO信道矩阵的特点将信道估计问题转化成矩阵恢复问题，有效地减少导频开销和降低算法复杂度以及提高信道估计精确度。

技术领域

本发明涉及通信系统的信道估计，具体涉及一种基于矩阵恢复的大规模MIMO信道估计方法。

背景技术

大规模多输入多输出(Massive Multiple-Input Multiple-Output,MassiveMIMO)系统由于具有高速率，高可靠性，高频谱利用率，以及低功耗等优点，被广泛应用于5G通信系统中。然而在实际应用中，大规模MIMO技术仍面临一些挑战，尤其是在信道估计这方面，当系统中天线和用户数量的增加，用于信道估计的导频和反馈开销就会过大，会导致传输效率较低，信道估计算法复杂度激增和准确率降低的问题亟待解决。在大规模 MIMO信道中，随着基站处天线数量的增加，且由于基站处的局部散射体有限，用户信道矩阵趋于稀疏。基于大规模MIMO信道稀疏的特性，有研究者提出应用压缩感知技术 (CompressedSensing,CS)来进行稀疏信道估计以此来有效地减少导频训练开销。之后又有研究者分别提及运用基于CS的方法来进行稀疏信道估计，这其中稀疏信道向量是由少量随机非相干投影构建的。随后有人提出分别采用CS恢复算法中的正交匹配追踪算法 (OrthogonalMatching Pursuit,OMP)和子空间追踪算法(Subspace Pursuit,BP)来重构稀疏信号，这表明了采用CS技术对稀疏信道估计是可行的。又有人提出了将基于CS的低秩矩阵逼近用于单小区大规模系统信道估计，该方法将信道估计问题转化为凸低秩矩阵逼近问题，构造了核范数最小化(Nuclear Norm Minimization,NNM)的模型，并通过二次半定规(SemiDefinite Programming)求解核范数的最小化。此方法稳定性好，但运算复杂度过高。为了降低求解NNM的算法复杂度，采用新算法来求解NNM，该算法优化问题的正则化参数的选取是基于交叉验证(Cross validation,CV)曲线法。交叉验证(CV)是一种即使在噪声方差未知时也允许选择正则化参数的方法。但是NNM方法有一定的缺陷，因为它对信道矩阵的所有奇异值都有相同的阈值，因此，它忽略了用于恢复低秩信道矩阵的较大奇异值的先验知识，这显然是不合理的。

综上所述，如何在现有技术的基础上提出一种复杂度更低且估计准确度较好的大规模 MIMO信道估计方案也就成为了当前业内研究人员亟待解决的问题。

发明内容

发明目的：本发明的目的是提出一种基于矩阵恢复的大规模MIMO信道估计方法，有效地降低算法复杂度和提高信道估计的准确度。

技术方案：一种基于矩阵恢复的大规模MIMO信道估计方法，包括以下步骤：

步骤1：构建大规模时分双工(Time Division Dual，TDD)MIMO单小区多用户系统，并生成导频序列。

步骤2：按系统模型分别生成导频序列、用户接收信号矩阵和信道矩阵；

步骤3：将信道估计问题的模型转化为基于Schatten p-norm最小化的矩阵弹性正则化模型；

步骤4：采用交替迭代算法，求解基于Schatten p-norm最小化的矩阵弹性正则化问题。

进一步地，步骤1具体包括如下步骤：