论文部分内容阅读
三维多输入多输出(three-dimensional Multiple Input Multiple Output,3D MIMO)技术在多输入多输出(Multiple Input Multiple Output,MIMO)技术基础之上,通过扩展天线的垂直维度进一步提高了系统的容量。同时,正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术可以提高通信系统的频带资源利用率及抗多径衰落性能。采用OFDM技术的3D MIMO系统已经成为了下一代通信技术的重要组成部分。因此,与3D MIMO技术相关的研究在实际的工程应用中有举足轻重的作用。3D MIMO技术扩展了信道的垂直维度,造成无线信道相比其他情况更加复杂,研究导频资源占用率少、复杂度低且准确性较高的信道估计方法对于提高3D MIMO系统的通信质量至关重要。本文以3D MIMO信道为背景,主要对信道估计算法进行研究与改进。主要工作如下:首先通过仿真验证了3D MIMO信道在时域上满足稀疏性,可以利用压缩感知技术来获得信道信息。然后考虑到现有的压缩感知重构算法未考虑噪声的影响,而实际信道易受噪声干扰,提出了一种改进的MRAMP算法。该算法使用信号残差比作为迭代终止条件,在各种信噪比环境下都能及时停止迭代,避免了因噪声能量过大导致的过度估计问题。仿真结果表明压缩感知信道估计与传统的最小二乘(Least squares,LS)算法相比可以极大地降低导频数量,节约频带资源。同时MRAMP算法的均方误差与稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法相比大约降低了一个数量级,提高了压缩感知信道估计的准确性。接着考虑到压缩感知重构算法复杂度高,收敛速度慢,而机器学习技术可以通过特定模型实现输入输出之间复杂关系的映射,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的低复杂度信道智能化估计方法。该方法通过将一个OFDM块的信道频域响应视为二维图像,将信道估计问题转化为超分辨率问题。通过机器学习的方法,使用一个三层的卷积神经网络CECNN从代表导频响应的低分辨率图像中恢复出代表完整信道响应的高分辨率图像。由仿真的结果可知,CECNN模型的信道估计均方误差明显小于LS算法,是一种有效的信道估计方法。最后以Simulink平台为基础,搭建了一个基于WINNERⅡ城市宏蜂窝场景的3D MIMO系统,验证了采用LS、MRAMP算法及CECNN模型进行信道估计时所带来的不同系统性能的改变。结果表明MRAMP算法和CECNN模型的信道估计均方误差均小于LS算法,大幅降低了系统的误比特率,提高了系统性能。与MRAMP算法相比,CECNN模型在大幅降低时间复杂度的同时,信道估计均方误差及系统误比特率仅略高于MRAMP算法。