论文部分内容阅读
信道状态信息（Channel state information,CSI）估计是大规模多输入多输出（Multiple input multiple output,MIMO）阵列信号处理领域中的重要研究内容,广泛应用于雷达、导航、移动通讯、无人驾驶、工业控制、物联网、智慧城市等方面。然而,相比于传统的阵列天线结构,大规模MIMO系统带来天线数目的大幅度增加,使得发射端导频消耗显著增多。为了有效避免导频过高的问题,目前,研究者提出许多基于稀疏结构的信道估计算法框架,利用信号的稀疏特性降低导频开销,然而,由于连续空间的信号采样,使得量化的到达角和发射角（Angles of arrivals/depatures,AoAs/AoDs）与预先设定的网格并非重合,从而导致网格失配问题,严重限制算法性能,同时由于阵列信号处理中存在脉冲特性的噪声干扰,进而破坏了算法性能。因此,研究无网格化的鲁棒信道估计方法对于阵列信号处理具有重要的理论以及实际意义。本文围绕基于混合预编码结构的大规模MIMO系统,从以下三个方面展开研究:1.针对传统联合（Two demention,2D）稀疏信道估计框架中存在高维计算负担的问题,提出一种基于大规模MIMO系统的降维数学模型。利用接收的高维数据内在张量结构,将传统的2维联合估计问题转化为两个平行（One dimention,1D）一维估计子问题,从而有效避免了高昂时间开销。仿真结果表明,相比于传统的2D联合估计二维框架,所提的平行一维模型框架能够有效的降低时间复杂度,适应于大规模阵列结构,同时易于扩展到其他算法框架,具有很强适用性。2.针对传统的稀疏信道估计算法存在网格失配问题,提出一种改进型的基于l1-（Singular value decomposition,SVD）奇异值分解稀疏信道估计算法。利用导向矢量一阶线性近似构建网格失配误差模型,通过信号空间和噪声空间的正交关系构建网格误差对应的代价函数,从而将网格失配问题转化为知结构解析表达上求解最优值的问题。由于所构造的目标函数具有凸结构特性,从而保证了算法收敛性。同时由于网格误差存在严格闭式解,使得所提的算法能够在很少的迭代步数内收敛。最后,通过计算机数值仿真验证了所提算法的正确性以及有效性。此外,提出一种改进型的基于快速傅里叶变换（Fast fourier transform,FFT）的无网格稀疏信道估计算法,并且理论分析所提算法的估计性能下确界。与现有的FFT域的稀疏信道估计方法相比,所提框架具有相同的理论估计性能,但是由于所提的方法不存在时间计算复杂度与估计性能精度之间的矛盾关系,从而具有更强的实用性以及有效性。3.针对于无网格化稀疏信道估计方法存在的脉冲噪声问题,提出一种鲁棒的（Iterative reweighted,IR）迭代再加权算法。分析了所提算法框架的理论估计下确界,通过利用log-sum函数平滑传统框架中的l1范数约束的非平滑点,同时利用加权因子构建惩罚项,最后利用梯度下降法求取AoAs/AoDs的更新解。与现有的迭代再加权算法相比,所提算法能够有效的抑制脉冲噪声的干扰,同时能够保留在高斯噪声背景下原有的良好估计性能,有效扩展了算法的适用范围。