论文部分内容阅读
5G作为下一代无线通信系统,主要利用在通信收发端布置大数量天线的大规模多输入多输出(Massive Multiple input multiple output,Massive MIMO)技术,从而有效地利用空间自由度实现信息传输的能量效率与频谱效率的双提高。正确地获取信道状态信息是实现Massive MIMO系统高性能的先决条件,然而基于导频的线性信道估计方法需要导频序列的长度与天线数量成正比,天线数量的增多,导频开销增大。本文针对Massive MIMO-OFDM系统中线性信道估计算法的导频开销大的问题,提出减少导频开销的信道估计算法。本文首先对MIMO系统中的最小二乘(Least Squares,LS),最小均方误差(Minimum Mean Square Error,MMSE)和缩放最小二乘(Scaled Least Squares,SLS)等信道估计算法的原理进行研究。通过给出各种算法的均方误差(Mean Square Error,MSE),推导三种算法对应的最优导频结构。根据误差函数说明天线数量对信道估计导频开销的影响。其次,在说明Massive MIMO-OFDM时延域信道的共同稀疏性的基础上,利用压缩感知(Compressed Sensing,CS)技术中的恢复算法进行信道估计。首先利用CS中的正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法和子空间追踪(Subspace Pursuit,SP)算法进行信道估计,这两种算法需要提前获知信道稀疏度,但在实际情况下很难实现。针对这一问题提出了能够自适应获取信道稀疏度的自适应块子空间追踪(Adaptive Block SP,ABSP)算法。仿真结果表明基于CS的信道估计算法可以解决导频开销大的问题,同时提出的ABSP算法在信道估计误差上小于OMP算法与SP算法。最后,远场情景下Massive MIMO-OFDM系统的波束域信道同样存在稀疏性,根据此性质并利用CS技术对波束域进行信道估计。利用正则化正交匹配追踪(Regularization OMP,ROMP)算法对信道进行估计,并在此算法的基础上提出了能够在稀疏度未知的情况下估计信道的自适应正则化子空间追踪(Adaptive Regularization SP,ARSP)算法。仿真结果表明提出的ARSP算法性能优于ROMP算法同时相比于LS算法减少了导频开销。