论文部分内容阅读
大规模多输入多输出(Massive Multi-input Multi-output,Massive MIMO)技术是当代无线通信领域中最新的研究方向,其强有力地推动了下一代5G移动通信技术的发展。Massive MIMO技术通过在基站端配置数百根低功率天线来提高系统的频谱利用率、能量效应以及鲁棒性等,越来越受到广大学者们的关注。但是在进行信道估计的时候,由于会涉及到对信道的协方差矩阵求逆的过程,通过增加基站天线数来打破小区间干扰瓶颈,改善通信质量的同时,也使得信道估计的计算复杂度过高成为了Massive MIMO技术的又一个需要攻克的技术难题。首先,本文围绕大规模MIMO技术展开研究,对比分析了TDD通信方式和FDD通信方式各自优缺点以及适用性,介绍了大规模MIMO系统模型,在此基础之上,又详细描述了三种常用的信道估计算法,并根据算法原理推导出各个算法的估计结果。其次,研究了一种基于克罗内克模型的MMSE信道估计算法,重点分析了大规模MIMO系统下利用MMSE估计器进行信道估计时的计算复杂度问题。给出了一种对角化信道估计方法,来解决MMSE信道估计方法复杂度过高的问题。分别分析了在噪声受限和导频污染两种情况下,当发射导频功率逐渐变大时,对角化信道估计方法估计误差的渐近情况。并对对角化信道估计方法进行了实验仿真,研究表明,对角化信道估计方法能够使得信道估计从原来的立方级复杂度降低到线性复杂度,而且该方法比较适用于噪声受限情况。然后,对于大规模MIMO系统中MMSE信道估计方法计算复杂度过高的问题,通过将对协方差矩阵求逆的过程转化为解决线性方程组的过程,提出了利用SOR迭代法来降低信道估计的复杂度,并分析了松弛因子的选择对复杂度的影响。研究表明基于SOR迭代法信道估计可以使得MMSE信道估计方法复杂度过高的问题得到解决,并且随着迭代次数的增加,基于SOR迭代法的信道估计精度完全可以达到MMSE估计器的估计精度。通过实验仿真发现该方法比较适用于存在导频污染的情况。最后,提出了一种基于共轭梯度法的低复杂度信道估计,该方法具有全局收敛性,避免了SOR估计器的收敛问题。并且为了加快共轭梯度法的收敛速度,通过将线性方程组系数矩阵进行分裂,设计一种预条件矩阵,提出了一种新的预条件共轭梯度法。研究表明,基于共轭梯度法和预条件共轭梯度法的信道估计都能够使得MMSE信道估计方法复杂度过高的问题得到解决,并且随着迭代次数的增加,基于共轭梯度法和预条件共轭梯度法的信道估计精度完全可以达到MMSE估计器的估计精度。通过实验仿真发现该方法比较适用于存在导频污染的情况。