论文部分内容阅读
大规模多输入多输出(Multiple Input Multiple Output,MIMO)系统通过在小区基站(Base Station,BS)中配备大量天线,能够在系统的能量效率与频谱利用率上带来明显的提升。然而,随着超密集小区和大量用户的增加,消除小区间干扰和多用户干扰成为大规模MIMO系统的研究热点。张量分解作为处理多维数据的学习算法已被广泛的应用于无线通信系统中。本文针对多用户大规模MIMO和多小区多用户大规模MIMO系统中存在的干扰问题,进行以下研究。首先,为了解决多用户大规模MIMO系统中存在的用户间信道干扰问题,本文将用户端的接收信号构造为多维张量模型,提出一种基于群稀疏和低秩张量分解的信道估计算法。所提算法将接收信号张量分割成多个子张量块,并利用多线性信号分类算法对每个子张量进行信道初估计。根据估计的信道特性参数,利用K-means算法以信道多径分量距离为标准将来自相同信源的信道聚类成群,并利用基于群稀疏和低秩张量分解的信道估计模型进行用户间信道干扰消除,从而获得优化后的估计信道。仿真结果表明,所提算法与传统的估计算法相比较,能显著提升信道估计的精度和系统的合速率。其次,为了提高多用户大规模MIMO系统信号检测精度,本文把基站端接收信号构造成三阶张量模型,提出基于群稀疏和低秩张量分解的大规模MIMO系统信号检测算法。该算法将用户发送的符号矩阵、信道张量和预编码张量作为TUCKER-2分解模型中的三个加载项,并利用基于Kronecker积的最小二乘法,利用符号矩阵和信道矩阵之间kronecker积的结构,可以联合信道矩阵得到估计符号矩阵。仿真结果验证,所提算法与其他传统的检测算法相比,能够大幅提升信号检测的精度和降低误码率。在不同的调制方式下均保持良好的系统性能,且随着天线数目的增加,效果更加明显。最后,针对在多小区多用户大规模MIMO系统中存在的小区间干扰和用户间干扰,本文将每个小区基站端接收的信号进行多维张量建模,并提出基于群稀疏和低秩张量分解的多小区大规模MIMO信号检测算法。该算法利用最小二乘法和广义TUCKER-(2,3)分解模型,以封闭形式来识别和估算信道参数矩阵。根据估计的信道参数,将来自不同小区的用户信源聚类成群。在此基础上,利用低秩张量TUCKER-(2,3)分解算法估计出数据符号。仿真结果表明,所提算法在不同的调制方式和天线配置下均表现出良好的系统性能,与传统的干扰消除算法相比,具有更优的系统性能。