论文部分内容阅读
大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）技术可以显著提高通信系统的空间自由度和频谱利用率,已经成为下一代无线通信系统的核心技术之一。实时准确地获得信道状态信息（Channel State Information,CSI）是发挥大规模MIMO系统优势的关键。由于基站端的天线数目过多,大规模MIMO信道估计中的导频消耗十分巨大,这使得CSI的获取尤为困难。得益于大规模MIMO信道在角度域的稀疏性,大量学者提出基于稀疏表示的信道估计方法来解决这个难题。然而,在信道估计中普遍存在稀疏信号与其他信息耦合的问题,如上行信道估计中稀疏信号矩阵与导频矩阵的耦合和下行信道估计中稀疏信号矩阵与时间相关性矩阵的耦合。如何更好地解决耦合问题成为提升信道估计性能的关键。现有方法在处理上下行信道估计中的耦合问题时存在以下缺点:（1）现有上行信道估计方法通常先采用最小二乘（Least Squares,LS）估计器解耦导频,再利用稀疏表示方法恢复稀疏信号,然而此类方法在非正交导频下的估计性能会严重恶化;（2）现有下行信道估计方法由于无法解决耦合问题而忽略了用户端的时间相关性信息,因此存在性能损失。基于上述理论,本文的主要研究内容如下:针对现有基于LS解耦的上行链路信道估计方法在非正交导频下性能较差的问题,本文提出一种基于混合消息传递（Hybrid Message Passing,HMP）的上行耦合信道估计方法。与现有方法相比,该方法创新性地利用期望传播近似（Expectation Propagation Approximate,EPA）解耦稀疏信号矩阵与导频矩阵,成功解决了现有的基于LS解耦的方法在非正交导频下性能不佳的问题。同时,所提方法将解耦步骤与稀疏信号恢复步骤置于一个混合框架下,这种联合恢复的方法提高了上行信道估计的精确度。此外,所提方法利用广义近似消息传递（Generalized Approximate Message Passing,GAMP）恢复稀疏信号,在实施过程中不涉及矩阵运算,因此计算复杂度很低。针对现有下行链路信道估计方法由于耦合效应而未能利用用户端时间相关性的问题,本文提出了一种基于变分贝叶斯推论（Variational Bayesian Inference,VBI）的下行耦合信道估计方法。与现有方法相比,该方法首次利用用户端多天线情况下具有的时间相关性,并将其当作未知参数进行迭代更新,显著提高了下行信道估计性能。所提方法成功的关键是在VBI框架中利用列独立因子分解性质,该性质使得稀疏信号矩阵与时间相关性矩阵自动解耦。此外,所提方法将贝叶斯推论建立在稀疏信号的每一列上,避免了计算高维方差矩阵,因此所提方法的计算复杂度没有大幅度增加。仿真对比实验表明所提方法的信道估计精确度明显优于现有的方法。