论文部分内容阅读
下一代无线通信系统(5G)面临着无线数据流量和移动终端数暴增、用户对无线通信有高速率、低时延、高可靠性的需求等挑战。大规模多数入多输出(Massive Multiple Input Multiple Output,massive MIMO)技术通过在基站端配备几十甚至上百根天线,利用收发天线建立多个独立信道,能够在不增加系统带宽的情况下成倍地提高系统容量和数据传输速率,巨大的天线数量带来的高自由度也提高了通信可靠性,因此大规模MIMO技术成为了5G通信的关键技术之一。信道状态信息(Channel State Information,CSI)是无线通信过程中的重要参数,因此信道估计是无线通信的一个重要环节。传统的盲信道估计方法由于计算复杂度过高,不适用于大规模MIMO系统;而由于时分双工(Time Division Duplexing,TDD)双工模式的相干间隔有限,导致正交导频数量不足,所以基于导频的信道估计方法会受导频污染影响,从而制约大规模MIMO系统的性能。因此,研究能够使用较少导频的就能完成信道估计的算法意义重大。为此,本文从研究大规模MIMO系统出发,结合正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术,主要研究大规模MIMO-OFDM系统的信道估计算法。由于压缩感知理论(Compressed Sensing,CS)能够从有限的采样值中有效地重构出稀疏信号,因此结合大规模MIMO系统的信道稀疏特性,重点研究基于压缩感知的信道估计算法。主要的研究工作如下:(1)首先分析了大规模MIMO系统的模型及特性、时分双工和频分双工(FDD)模式比较以及导频污染问题产生的原因;(2)研究了几种常用的适用于平坦衰落信道的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)信道估计算法如最小二乘法、最小均方误差法、线性最小均方误差法等,并通过Matlab仿真分析了它们的优劣;(3)分析了压缩感知理论,并针对大规模MIMO系统正交导频数量不足这一问题提出了基于压缩感知的信道估计算法以及基于这一算法的协同信道估计策略,包括信号的稀疏表示、观测矩阵的设计和信号恢复算法的设计三个方面。Matlab仿真结果表明,本文提出的算法仅需要较少的导频数量就能实现信道估计,不仅减少了对导频的依赖,还能提高数据传输率,且性能优于传统的最小二乘法;协同估计策略精度较高,有良好的抗噪声能力,适用于规模不大的天线阵列。