一種大規(guī)模天線系統(tǒng)的信號(hào)傳輸方法與流程

本發(fā)明涉及一種適合于大規(guī)模天線系統(tǒng)的信號(hào)傳輸方案，用于解決無線通信領(lǐng)域的盲信號(hào)檢測(cè)和信道估計(jì)問題，尤其適合于5G通信。

背景技術(shù)：

無線通信系統(tǒng)的本質(zhì)就在于接收端如何盡可能準(zhǔn)確的恢復(fù)發(fā)送端的信號(hào)。根據(jù)接收端在信號(hào)檢測(cè)中是否需要信道狀態(tài)信息(channel state information)，信號(hào)檢測(cè)的方案可以分解成相干信號(hào)檢測(cè)和非相干信號(hào)檢測(cè)(也稱為盲信號(hào)檢測(cè))兩大類。

在傳統(tǒng)的通信系統(tǒng)中，特別是在多輸入多輸出(multiple-input multiple-output，MIMO)系統(tǒng)中，由于相干檢測(cè)方案信號(hào)恢復(fù)的準(zhǔn)確性較好，是比較常用的方案。信道估計(jì)是相干檢測(cè)方案中非常重要的一環(huán)。在傳統(tǒng)通信系統(tǒng)中，基于導(dǎo)頻序列的信道估計(jì)方案是常用的方案。在這個(gè)方案中，發(fā)送端先發(fā)送一定長度的導(dǎo)頻序列，接收端根據(jù)導(dǎo)頻序列估計(jì)出信道系數(shù)。接著發(fā)送端再發(fā)送數(shù)據(jù)信號(hào)，接收端根據(jù)接收到的信號(hào)以及上一階段估計(jì)出的信道系數(shù)進(jìn)行信號(hào)檢測(cè)恢復(fù)出數(shù)據(jù)信號(hào)。在這個(gè)過程中，系統(tǒng)必須分配一定比例的資源(時(shí)間或者頻帶)傳輸導(dǎo)頻序列，因此資源利用率下降。同時(shí)，在傳統(tǒng)的通信系統(tǒng)中，導(dǎo)頻序列長度與發(fā)送天線數(shù)成正比。當(dāng)發(fā)端天線數(shù)越多時(shí)，系統(tǒng)需要傳輸更多的導(dǎo)頻序列才能保證信道估計(jì)的準(zhǔn)確性，這進(jìn)一步降低了系統(tǒng)資源的利用率。在未來5G通信系統(tǒng)中，大規(guī)模天線陣列的使用已經(jīng)成為一個(gè)趨勢(shì)。傳統(tǒng)的基于導(dǎo)頻序列的信道估計(jì)方案由于需要大量的資源用于導(dǎo)頻序列傳輸不適合于未來的5G通信系統(tǒng)。對(duì)基于導(dǎo)頻序列的信道估計(jì)方案的改進(jìn)成為了研究的一個(gè)熱點(diǎn)。其中一個(gè)改進(jìn)方向就是利用大規(guī)模天線系統(tǒng)信道本身的特性。越來越多的實(shí)測(cè)數(shù)據(jù)顯示在大規(guī)模天線系統(tǒng)中，信道本身在角度域(angular domain)上呈現(xiàn)出稀疏結(jié)構(gòu)，即在角度域上信道系數(shù)只在很少的一部分位置是非0的?，F(xiàn)有方案提出采用壓縮感知(compressed sensing)的方法利用大規(guī)模天線系統(tǒng)中信道本身的稀疏結(jié)構(gòu)進(jìn)行信道估計(jì)。這種方案降低了系統(tǒng)所需要的導(dǎo)頻序列個(gè)數(shù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提高大規(guī)模天線系統(tǒng)中，信號(hào)傳輸?shù)馁Y源利用率。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是提供了一種大規(guī)模天線系統(tǒng)的信號(hào)傳輸方法，其特征在于，基于信道在角度域上的稀疏性利用稀疏矩陣分解的方法進(jìn)行上行傳輸及下行傳輸，其中：

上行傳輸過程包括以下步驟：

用戶向基站發(fā)送信號(hào)，各用戶向基站發(fā)送的信號(hào)中至少包括用戶數(shù)據(jù)、用戶編號(hào)以及導(dǎo)頻信號(hào)，每個(gè)用戶只用一個(gè)資源塊來發(fā)送導(dǎo)頻信號(hào)，每個(gè)用戶具有不同的用戶編碼，基站接收到所有用戶發(fā)來的信號(hào)Y后，進(jìn)行稀疏矩陣分解得到關(guān)于H及X的估計(jì)量，記為其中X表示上行所有用戶的用戶數(shù)據(jù)，H表示從用戶端到基站端的上行信道，Σ是一個(gè)對(duì)角矩陣，Π是一個(gè)置換矩陣，基站根據(jù)接收到的導(dǎo)頻信號(hào)可以確定幅度矩陣∑，并根據(jù)用戶編號(hào)確定置換矩陣Π，從而在估計(jì)量中去除幅度模糊度∑及置換模糊度∏，得到H及X的唯一估計(jì)量及

下行傳輸過程包括以下步驟：

若為時(shí)分雙工，則上行的信道估計(jì)直接用于下行傳輸；

若為頻分雙工，基站可以直接根據(jù)上行估計(jì)的信道方向設(shè)計(jì)預(yù)編碼策略并且只需分配一個(gè)資源塊傳輸導(dǎo)頻信號(hào)，用戶根據(jù)接收到的導(dǎo)頻信號(hào)估計(jì)出下行信道的信道系數(shù)值，然后檢測(cè)數(shù)據(jù)，在這個(gè)傳輸過程中，用戶不需要反饋信道信息給基站。

用T表示一個(gè)傳輸幀的資源總數(shù)，同時(shí)定義資源利用率為傳輸數(shù)據(jù)的資源塊占總體資源塊的比例。傳統(tǒng)的基于導(dǎo)頻序列估計(jì)的方案需要占用K個(gè)資源塊傳輸導(dǎo)頻信號(hào)，因此其資源利用率為其中K表示用戶個(gè)數(shù)(或?qū)τ诙嗵炀€系統(tǒng)，K為所有用戶的天線總數(shù))。對(duì)于基于壓縮感知的理論進(jìn)行的信道估計(jì)方案，其資源利用率不大于式中，d表示信道矩陣H中平均每列的非0元素個(gè)數(shù)。對(duì)于本發(fā)明所提的方案，無論在上下行傳輸中都只需要用1個(gè)資源塊傳輸導(dǎo)頻信號(hào)，因此，本發(fā)明的資源利用率為可見，本發(fā)明所提方案顯著提高了系統(tǒng)的資源利用率。

附圖說明

圖1為上行傳輸中用戶可能的幀結(jié)構(gòu)示意圖，其中，A段為控制數(shù)據(jù)，B段為導(dǎo)頻信號(hào)，C段為用戶編號(hào)，D段為用戶數(shù)據(jù)，控制數(shù)據(jù)表示保證通信系統(tǒng)運(yùn)作所需的其他控制信號(hào)；

圖2為上下行傳輸方案的系統(tǒng)框圖；

圖3為所提方案與其他參考方案在系統(tǒng)吞吐量上的比較圖，系統(tǒng)中基站天線數(shù)為500，用戶數(shù)為50，每個(gè)用戶配置單天線，相干時(shí)隙數(shù)為100，信道中非0元素比例為30％。圖中，信道完全已知情況下的系統(tǒng)速率是一個(gè)性能上界。假設(shè)信道非0元素位置已知情況下的壓縮感知方案是所有壓縮感知方案的性能上限。

具體實(shí)施方式

為使本發(fā)明更明顯易懂，茲以優(yōu)選實(shí)施例，并配合附圖作詳細(xì)說明如下。

本發(fā)明主要解決大規(guī)模天線系統(tǒng)中的盲信號(hào)檢測(cè)及信道估計(jì)的問題。

本發(fā)明考慮大規(guī)模天線系統(tǒng)，即基站端的天線數(shù)(N)及系統(tǒng)中的用戶數(shù)(K)都很大的情況。本發(fā)明的傳輸方案由兩部分組成：上行傳輸(從用戶端到基站端)及下行傳輸(從基站端到用戶端)。

首先，簡(jiǎn)要介紹大規(guī)模天線系統(tǒng)中的信道模型。假設(shè)系統(tǒng)中存在K個(gè)用戶，每個(gè)用戶配置M根天線，基站配置N根天線，所有天線采用間隔為半波長的線陣排列，則從用戶k到基站的多天線多徑非選擇性物理信道可以建模如下：

式中，N_p表示路徑數(shù)，α_k，n表示路徑增益，θ_{R，k，n}表示接收端的到達(dá)角，θ_T，k，n表示發(fā)送端的發(fā)送角，N×1的向量a_R，k及M×1的向量a_T，k分別表示接收端及發(fā)送端的導(dǎo)向矢量(steering vector)?；趶V泛使用的虛擬表示法(virtual representation)，上述信道可以重新表示如下：

式中，A_R、A_T是N×N及M×M的酉陣，每一列分別由和構(gòu)成，而H_k(i，j)則反映了用戶k的信道在某個(gè)到達(dá)角范圍內(nèi)可識(shí)別的信道增益總和。根據(jù)實(shí)際信道的實(shí)測(cè)數(shù)據(jù)可知，在一般情況下，H_k矩陣中大量元素的值非常小以至于對(duì)系統(tǒng)性能不會(huì)產(chǎn)生影響，因此，可以被認(rèn)為是一個(gè)稀疏的矩陣。

基于上述討論，基站端的接收信號(hào)可以寫成：

$\tilde{Y}=\underset{k=1}{\overset{K}{\Σ}}{\tilde{H}}_k{\tilde{X}}_k+\tilde{Z}$

式中，表示用戶k在T時(shí)間內(nèi)的傳輸信號(hào)，表示信道加性噪聲。將信道的虛擬表示形式帶入上式可得：

$\tilde{Y}=\underset{k=1}{\overset{K}{\Σ}}{A}_R{H}_k{A}_T^H{\tilde{X}}_k+\tilde{Z}=A_R{H}^H{X}^H+\tilde{Z}$

式中，H^H＝[H₁，...，H_K]表示在角度域上從用戶到基站端的信道，且表示用戶發(fā)送數(shù)據(jù)在角度域上的表示。用左乘并進(jìn)行轉(zhuǎn)置操作得到T×N的矩陣Y如下：

Y＝XH+Z

式中

在上行傳輸中，基站在接收到用戶的信號(hào)Y后進(jìn)行稀疏矩陣分解(sparse matrix factorization)得到關(guān)于H及X的估計(jì)及注意到直接進(jìn)行稀疏矩陣分解得到的估計(jì)量不唯一，原因是存在幅度模糊度(scalar ambiguity)和置換模糊度(permutation ambiguity)，即與能夠得到相同的接收信號(hào)，其中∑是一個(gè)對(duì)角矩陣，Π是一個(gè)置換矩陣。為了消除幅度模糊度，每個(gè)用戶只需要用一個(gè)資源塊發(fā)送導(dǎo)頻信號(hào)，接收端根據(jù)這個(gè)導(dǎo)頻信號(hào)可以唯一確定幅度矩陣∑。置換模糊度的消除是通過為每一個(gè)用戶配置唯一的用戶編號(hào)來進(jìn)行。用戶在發(fā)送數(shù)據(jù)時(shí)在前端增加用來唯一識(shí)別該用戶。在基站端，基站根據(jù)這些用戶編號(hào)唯一確定置換矩陣Π。在上行傳輸中，用戶的可能幀結(jié)構(gòu)如圖1所示。

在下行傳輸中，如果是時(shí)分雙工(time division duplex，TDD)系統(tǒng)，上行的信道估計(jì)直接可以用于下行傳輸方案的設(shè)計(jì)。本發(fā)明主要考慮在頻分雙工(frequency division duplex，F(xiàn)DD)系統(tǒng)中的下行傳輸方案設(shè)計(jì)。本發(fā)明利用了上下行信道可分離路徑在角度域上的對(duì)稱性，即上下行信道在角度域上的可分離到達(dá)角(resolvable angle of arrival)是相同的，而不同之處只是這些路徑的增益值。因此，在下行傳輸過程中，只需要分配一個(gè)資源塊傳輸導(dǎo)頻信號(hào)，用戶就可以估計(jì)出相應(yīng)的信道增益值。而基站端則直接根據(jù)這些信道方向設(shè)計(jì)預(yù)編碼策略并發(fā)送用戶數(shù)據(jù)。注意到，在下行數(shù)據(jù)傳輸過程中不需要用戶反饋信道信息，這是與傳統(tǒng)通信方案完全不同的。由于本發(fā)明的方案只需要一個(gè)資源塊傳輸導(dǎo)頻信號(hào)并且不需要信道信息反饋，因此，本發(fā)明的方案顯著提高了系統(tǒng)的資源利用率。本發(fā)明的上下行傳輸方案可以歸納如圖2所示。

在以下實(shí)例中，給出一個(gè)通信系統(tǒng)的仿真實(shí)例。在這個(gè)例子中，本發(fā)明的方案能夠獲得比其他方案更高的系統(tǒng)傳輸速率。

本實(shí)例考慮一個(gè)簡(jiǎn)化的上行通信系統(tǒng)，系統(tǒng)中基站端的天線數(shù)為500，用戶數(shù)為50，每個(gè)用戶配置單天線，信道相干時(shí)間設(shè)置成100個(gè)時(shí)隙，信道在角度域上的分布服從Bernoulli-Gaussian分布，即BG(0.3)，其中0.3表示在角度域上信道中的非0元素比例為30％。

每個(gè)用戶采用圖1所示的發(fā)送幀結(jié)構(gòu)。每個(gè)用戶在自己的數(shù)據(jù)前增加的用戶編碼，同時(shí)采用1個(gè)時(shí)隙發(fā)送導(dǎo)頻信號(hào)。接收端對(duì)接收信號(hào)直接進(jìn)行稀疏矩陣分解。在這個(gè)實(shí)例中，稀疏矩陣分解采用目前性能最好的BiGAMP算法。當(dāng)然，也可以采用別的稀疏矩陣分解算法(如K-SVD，ER-SpUD等方法)。稀疏矩陣分解后，幅度模糊度矩陣∑采用MMSE方案進(jìn)行估計(jì)，置換模糊度矩陣Π可以根據(jù)用戶編碼得到唯一結(jié)果。

將本發(fā)明的方案與其他方案的性能比較結(jié)果如圖3所示。從圖中可以看出，本發(fā)明的方案在曲線斜率上要明顯好于其他方案，這說明本發(fā)明方案的資源利用率要優(yōu)于其他方案。同時(shí)，本發(fā)明方案的性能在中高信噪比區(qū)域也要明顯優(yōu)于其他方案。對(duì)比本發(fā)明方案與信道已知情況下的性能上界，發(fā)現(xiàn)本發(fā)明的方案已經(jīng)非常接近系統(tǒng)性能極限。