关键词:
大规模多输入多输出
信道估计
压缩感知
多测向量模型
摘要:
获取大规模多输入多输出(Multiple-Input Multiple-Output, MIMO)系统的信道状态信息十分关键。频分双工(Frequency Division Duplexing, FDD)模式下,传统的多用户信道估计问题是将多用户MIMO系统分解成多个单用户MIMO系统,利用单用户的信道特性进行估计重构,但随着基站端天线数量和用户数的增加,不仅导频开销和重构算法的误差逐渐增大,计算复杂度也随之上升,导致系统整体性能下降。针对这一问题,本文提出了一种基于压缩感知多测向量(Multiple Measurement Vector, MMV)模型的多用户联合信道估计方案:利用多用户大规模MIMO系统中,地理相邻用户角度域信道之间的共同稀疏性和独立稀疏性结构,首先设计了适用于MMV模型的信道稀疏度估计策略,通过排列稀疏分量的贡献率来获取信道稀疏度,提高了稀疏先验信息未知或不准确条件下重构算法的性能。其次,提出了一种分段残差动态反馈联合匹配追踪(Segmented Residual Dynamic Feedback joint Matching Pursuit, SRDFMP)算法,通过区分不同属性的支撑集并分段估计,有效降低了导频开销;将所有用户的共同支撑集共享,避免部分重复的迭代步骤;针对不同支撑设置两种索引长度更新准则,加快了算法的收敛速度;同时本文算法也考虑了错误原子的纠正问题。最后,构建了标准的空间信道模型(Spatial Channel Model, SCM)来验证所提算法的性能。仿真结果表明,相比于传统算法,本文所提算法具有更小的导频开销和优良的信道估计性能,且在多用户条件下联合恢复的效率更高。