关键词:
大规模多输入多输出
信道估计
张量分解
离散傅里叶变换
自回归模型
摘要:
大规模多输入多输出(Massive Multiple-Input Multiple-Output,Massive MIMO)是第五代移动通信系统(fifth generation,5G)的物理层关键核心技术之一.相比在长期演进(Long Term Evolution,LTE)中被广泛应用的传统MIMO,大规模MIMO具有成倍的系统容量,且在理论上具有极高的频谱效率,因此数十年来其一直是学术界和工业界的研究热点.大规模MIMO的工作十分依赖于基站端拥有准确的下行信道状态信息(Channel State Information,CSI),然而在实际的工作场景中,这一信息的获取十分困难,这个特点大大限制了大规模MIMO在实际环境中的性能.而本文即围绕如何让基站获取尽可能准确的信道信息这一问题进行分析和讨论. 显而易见,大规模MIMO相较于传统MIMO最直接的改变便是基站配备了由大量天线组成的大规模天线阵列,这使得大规模MIMO基站能够获得更高的空间分辨率,且传统的信道矩阵也因为天线数目的增加转变为高维度的信道张量.因此,本文将以大规模MIMO信道张量为研究对象,将张量代数的方法用于处理信道张量,并结合经典的无线信道物理多径模型推导出了信道张量多元规范分解(Canonical Polyadic Decomposition,CPD)模型.并以此为契机,基于张量分解的方法,提出了可行的解决方案来应对大规模MIMO系统中的两个亟待解决的问题:时分双工(Time Division Duplex,TDD)系统高速移动场景下的信道老化问题,以及频分双工(Frequency Division Duplex,FDD)系统中的下行信道估计、反馈及重构问题. 对于TDD高速移动场景下的信道老化问题,一个普遍的思路是在基站端引入信道预测,从而在一定程度上克服信道老化现象.在本文中,首先在大规模MIMO外场实测数据(工作于2.6GHz频段,基站天线为64组双极化天线)上,基于时域相关性说明了信道的可预测性.之后将信道预测问题分为了两个阶段:信道结构变换和变换后信道成分的时间序列预测.基于张量分解的思路,给出了在用户高速移动(如典型的城区车速40km/h)场景下的信道张量CP分解方案,作为对比,还给出了一种采用离散傅里叶变换(Discrete Fourier Transform,DFT)的结构变换方法,并以自回归模型(autoregressive model,AR)为预测器,提出了CPD-AR和DFT-AR两种方案.同时,考虑到信道中存在大量相关性较高的多径(如来自于同一反射簇的数条多径具有高度相似的时延、角度、复幅度等参数),很难将这些相关性极高的多径一一提取出来.因此提出了CPD-AR的改进方案RCPD-AR,改进后的方案会使得数条相似的多径合并成一条,可以在合理地放弃一定分解精度的情况下,保证张量分解结果的正确性.针对两种方案,首先基于经典信道模型的合成信道数据,分析评估了二者对信道的解析能力;之后基于外场实测数据,以预测误差和系统和速率为量度,评估了两种方案在不同场景下的信道信道预测以及对抗信道老化的能力. 对于FDD大规模MIMO系统中下行信道估计、反馈及重构问题,以信道压缩为基本思路,同样给出了基于张量分解和DFT的两种基本方法.基于信道张量CP分解,首先给出了基于瞬时信道分解的三维张量分解方案,之后又结合了信道的时变特性,提出了基于时域联合分解的四维张量分解模型.作为对比,还介绍了基于DFT的信道压缩方法,并针对不同极化天线的CSI分别反馈的方案;对以上两种方案,基于3GPP三维城市宏区(three Dimension Urban Macro,3D-UMa)模型数据,以重构下行信道的重构误差、重构奇异向量与标准奇异向量的互相关性为量度,对二者在FDD下行信道重构问题上的性能做了评估和分析. 本文以大规模MIMO为背景,以张量分解为手段,说明了将张量分解算法应用于大规模MIMO信号处理的可能性.并针对信道老化问题和FDD下行信道估计、反馈及重构问题提出了对应的解决方案.为大规模MIMO系统中的信号处理提供了新的思路.