论文部分内容阅读
随着新的移动应用场景和需求不断涌现,第五代移动通信系统(5th Generation Mobile Communication Systems,5G)成为解决未来十年大量无线设备接入和海量移动数据传输的必需方案。大规模多天线系统作为5G的核心技术之一,能够大幅提高通信系统的吞吐量和传输速率,并且能够与5G的其他核心技术如毫米波、正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)等相结合,满足大量高速的数据传输需求。在通信系统中,接收机的性能直接决定了信号恢复的性能,然而随着大规模多天线系统天线数的增加,接收机的复杂度随之增加,射频链路的成本也随之增加,接收机算法在现实中是否可以应用也有待验证。本文面向大规模多天线系统,采用仿真与空口实测相结合的研究方法,对先进接收机展开研究。首先,本文对基于传统方法的大规模多天线接收机进行了研究和实现。在调研了传统的接收机算法后,设计了低复杂度的LMMSE信道估计算法3W-LMMSE和12W-LMMSE,将其实现在基于多核通用服务器架构的5G原型验证平台RaPro上,并给出了RaPro平台介绍、接收机顶层设计和所设计算法的具体实现方法。仿真结果表明,所提出的3W-LMMSE和12W-LMMSE信道估计算法相对于传统LS信道估计算法有明显的性能提升,并且对信道径数和信噪比参数具有鲁棒性,空口实测结果验证了这两种方法的准确性和实时性。其次,本文对基于期望传播(Expectation Propagation,EP)算法的大规模多天线先进接收机进行了研究。在回顾了大规模多天线的单用户毫米波通信系统的系统模型和增广系统模型之后,对EP算法的基本原理进行了介绍,然后分别推导了增广后的毫米波信道的后验均值和后验方差,并按照矩匹配条件推导出EP算法的迭代过程,给出了基于EP的信道估计算法。仿真结果表明,基于EP的信道估计算法相比于其他现有算法的性能有明显优势,并且能够适应更低的压缩率。最后,本文对新型的基于深度学习的接收机进行了研究。在对深度学习和模型驱动的深度学习进行介绍后,从整体架构、信道估计子网和信号检测子网对所提出的ComNet(Combination of Communication algorithms and deep neural Networks)OFDM接收机进行了详细介绍,并将其扩展到多输入多输出OFDM系统中。仿真实验表明,ComNet OFDM接收机相对于传统接收机有一定的性能提升,并且对更换训练信道、减少导频摆放、信噪比不匹配等情况具有鲁棒性。空口测试也得到了比传统方法好的性能。