基于遗传算法的大规模MIMO系统导频优化研究

摘要

在无线通信中，由于在大规模多输入多输出(Multiple Input Multiple Output，MIMO)系统中自由度的增加，多天线引起的分集和复用增益能够显著提高频谱和能量效率。基站（Base Station，BS）发送端或接收端需要对信道进行估计来获取信道状态信息（Channel State Information，CSI），从而获取空间复用和阵列增益。 传统的用于估计CSI的方法有基于辅助导频的最小二乘方法和最小均方误差方法等。在大规模MIMO场景中因导频开销巨大,传统的估计技术不再适用。在大规模MIMO系统的虚拟角域中，当天线阵列数目较多时产生的信道矩阵会呈现稀疏性质。大规模MIMO系统的信道估计问题可转化为压缩感知（Compressed Sensing，CS）中的重建问题，采用CS重建算法完成信道估计。由于在基于CS的信道估计模型中，恢复矩阵取决导频的符号和位置，所以可以利用CS理论中恢复矩阵的互不相关性来进行导频优化。本文重点研究了基于遗传算法的大规模MIMO系统下行信道估计中的导频优化问题，导频优化对接收天线为单天线和多天线两种情况下的信道估计均有改善作用。 以CS中恢复矩阵的设计准则为指导，提出了两种导频优化方法：（1）基于傅里叶矩阵的导频优化方法，即通过遗传算法选取傅里叶矩阵的行作为导频矩阵，从而使得恢复矩阵的互相关值尽可能小，恢复矩阵的互相关值即为其格拉姆矩阵中的非对角线上元素中的最大绝对值。仿真结果表明，通过降低恢复矩阵的互相关值能够有效降低信道的估计误差2-3dB；（2）将优化准则改进为最小化恢复矩阵所对应格拉姆矩阵的非对角元素绝对值之和。仿真结果表明，改进的优化准则能够进一步降低信道估计误差约1-2dB。另外，当终端有多根接收天线时，此时的信道估计可以重新建模为联合稀疏信号重建问题，能够用分布式压缩感知理论（Distributed Compressed Sensing，DCS）中的DCS-SOMP（Simultaneous Orthogonal Matching Pursuit,SOMP）重建算法完成信道估计。同样仿真研究了该场景下导频优化问题。仿真结果表明，提出来的导频优化方法同样能够改善多接收天线情况下的信道估计性能。与单接收天线时的基于CS的信道估计相比，多接收天线时的信道估计性能更优。

目录

第一个书签之前