论文部分内容阅读
在大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统中,准确的信道估计信息对于基站侧的预编码、资源分配以及用户端的信号检测或均衡都有着至关重要的作用。频率选择性多径衰落信道下的稀疏信道估计技术是大规模MIMO系统重要且具有挑战性的研究方向之一。然而现有的大多数信道估计技术仅适合4G小规模MIMO系统(如8天线的LTE-A系统),因此本论文探究适用于5G大规模MIMO多径稀疏信道估计技术。本文基于大规模MIMO信道的空时共同稀疏性特点,利用先进的压缩感知理论,研究不降低估计精度而减小导频开销的信道估计算法。首先,利用大规模MIMO信道的空时共同稀疏性和联合差分思想,提出基于联合差分的稀疏信道估计方案。改进后算法特点如下:第一,改进后的算法在每一次迭代过程中同时对多个向量进行更新,对稀疏性进行结构化增强,提升算法的重构性能。第二,改进后的算法在进行重构过程中,并不是只处理当前时刻接收到的导频信号,而是联合前一帧的导频信号进行差分,进一步增强稀疏性,进而提升算法重构的精度。仿真结果表明,所提算法在减少导频开销的同时仍能取得较好的参数估计性能,同时证明了压缩感知理论在大规模MIMO-OFDM系统环境下具有鲁棒性。其次,考虑实际环境中稀疏度未知的情况,提出了基于稀疏度自适应的信道估计方案。大部分压缩感知理论的重构算法,如CoSaMP算法,需要已知信号的稀疏度作为先验条件,然而实际环境下,无线信道的稀疏度是未知的,因此本文提出的算法利用大规模MIMO信道的空时共同稀疏性,合理设置不同SNR下的停止迭代参数,以获得准确的动态稀疏度。实验结果表明,相比传统的CoSaMP算法和S-CoSaMP算法,SSA-CoSaMP算法在同等SNR下具有更良好的信道估计性能,并且可以自适应地获取稀疏度。