一种在毫米波预编码系统中的迭代波束成形方法

摘要

本发明属于无线通信技术领域，尤其涉及一种在无线多输入多输出(Multiple Input Multiple Output，MIMO)通信系统中利用信道间稀疏性降低迭代波束成形的天线训练开销的方法。本发明提出一种在毫米波预编码系统中的迭代波束成形方法，用于克服大规模MIMO系统中幂迭代方法天线训练开销过大的缺陷，该方法利用毫米波信道的空间稀疏性，将毫米波MIMO天线训练中接收向量的估计问题转化为稀疏重建问题，从而利用压缩感知的相关理论来降低损耗。

说明书

技术领域

本发明属于无线通信技术领域，尤其涉及一种在无线多输入多输出(MultipleInput Multiple Output，MIMO)通信系统中利用信道间稀疏性降低迭代波束成形的天线训练开销的方法。

背景技术

波束成形技术是一种阵列信号处理技术，可以看作空域线性滤波，在MIMO系统中可以用于克服路径损耗，改善接收信噪比，提升系统容量等。在波束成形技术中，关键是获得在当前信道状态下收发端的满足设定准则的最优阵列信号加权向量。在容量最优准则下，收发端的波束成形加权向量是通过信道矩阵的奇异值分解(SVD)而得到的奇异向量，具体原理叙述如下：

假设MIMO系统的接收天线数目为N_T，发射天线数目为N_R，信道矩阵可以进行SVD分解，表示为H＝UΛV^H，其中，(·)^H表示矩阵共轭转置，和分别是大小为N_R×N_R与N_T×N_T的酉矩阵，Λ是一个N_R×N_T对角阵，其对角元为按降序排列的H的奇异值(σ₁,σ₂,...σ_m),m＝min(N_T,N_R)。

对于N_S维的波束成形，发送端与接收端波束成形矩阵分别采用所述信道矩阵H的右奇异矩阵V和左奇异矩阵U的前m列，即F＝[v₁,v₂,...,v_m]，W＝[u₁,u₂,...,u_m]，其中，N_S≤m。

假设发送符号为x＝[x₁,x₂,...,x_m]^T，接收符号为y＝[y₁,y₂,...,y_m]^T，噪声则

可见，特征波束成形等效地将MIMO信道划分为m个并行独立的子信道，每个子信道都获得了最大化的信噪比。

通常，接收端通过估计信道矩阵H并进行SVD分解来获得收发双方的波束成形矩阵，之后接收端将发送端的波束成形矩阵F反馈至发送端。这种直接估计和反馈的方法适用于天线数目较小的情况，而在天线数目较多的MIMO系统中(例如，毫米波MIMO系统的天线数目多达几十个)，其计算复杂度和训练开销都变得无法承受。

在时分双工(Time Division Duplex，TDD)系统中，利用上行信道和下行信道的互易性，提出了一种不用估计信道参数即可获得特征向量的迭代波束成形方法，即幂迭代方法。之后进一步将这种方法扩展到了多维的波束成形，即通过逐个阶段剥离的方式得到N_S个波束成形矢量，也就是波束成形矩阵，每个阶段都要经历一轮幂迭代。传统幂迭代方法在一个阶段的迭代中，正向迭代时，接收方为了得到完整的接收向量，假设接收方使用单位矩阵作为接收波束成形矩阵，发送端必须发送同一个训练序列N_T次。同理，反向迭代时，接收端必须发送训练序列N_R次。假设预设迭代次数为N_ITER，那么一个阶段的迭代收发次数为N_ITER(N_T+N_R)，迭代的开销和收发双方天线数目的综合成正比。

可见，当收发双方的天线数目较小时，开销不大，但是随着天线数目的增加，训练阶段的开销随着天线数目成倍增加。

发明内容

为了克服大规模MIMO系统中幂迭代方法天线训练开销过大的缺陷，本发明提出一种在毫米波预编码系统中的迭代波束成形方法，该方法利用毫米波信道的空间稀疏性，将毫米波MIMO天线训练中接收向量的估计问题转化为稀疏重建问题，从而利用压缩感知的相关理论来降低损耗。

为了方便地描述本发明的内容，首先对本发明中所使用的概念和术语进行定义。

空间稀疏性：无线信号由于较高的路径损耗和极差的散射性能，收发双方只由有限的几条电磁波传播路径相连接，和信道有关的信号计算问题可以方便地表达为稀疏重建问题。

稀疏多径信道模型：稀疏多径信道可以建模为具有K路多径的几何模型其中，表示第i径的复信道增益，θ_i表示第i径的离开角，φ_i表示第i径的到达角，a_T(φ_i)是发送端的天线阵列响应，a_R(θ_i)是接收端的天线阵列响应,i＝1,2,...,K。所述天线阵列采用均匀线性阵列(ULAs)，则发送端的天线阵列响应可以表达成接收端的天线阵列响应可以表达成其中，λ是信号波长，d是天线阵元间距，一般取

一种在毫米波预编码系统中的迭代波束成形方法，步骤如下：

S1、利用稀疏多径信道的几何模型进行稀疏建模，将与信道关联的接收信号的估计问题表示成稀疏信号的恢复问题，定义接收端字典矩阵

定义发送端字典矩阵其中，N表示接收端字典长度，M表示接收端字典长度；

S2、进行角度量化码本的建立，接收端码本为发射端码本为其中，为码本大小，N_T为发送天线数目，N_R为接收天线数目；

S3、初始阶段处理，具体如下：

S31、发送端生成一个N_T×1向量[1,0,0,…,0]^T并进行归一化作为初始向量，并放入码本中使用稀疏信号恢复算法估计得到初始向量f；

S32、分别定义此过程中的发送端和接收端的测量次数Nmr⁰,Nmt⁰；

S33、在O个随机矩阵中选取发送端最优测量矩阵Φ_T⁰，选取接收端的最优测量矩阵Φ_R⁰，其中，O为不为零的自然数，选取发送端最优测量矩阵Φ_T⁰和选取接收端的最优测量矩阵Φ_R⁰为经验判断过程；

S34、接收波束成形向量训练，具体如下：

S34-1、发送端连续发送Nmt⁰次向量f至接收端，接收端接收过程中使用Φ_R⁰的列作为波束成形加权合并向量，接收端得到其中，n_R表示接收端的加性高斯白噪声向量，

S34-2、接收端使用稀疏信号恢复算法计算出表示接收信号到达角在S1所述字典矩阵A_RD中的位置的稀疏向量z_R，其中，z_R是一个N×1的列向量，N表示字典A_RD的长度，z_R中有K个非零元素，K＜＜N；

S34-3、Hf≈A_RDz_R，所述Hf存储在N_R×1向量g中，即g＝A_RDz_R，其中，信道矩阵接收端对向量g进行归一化，即并将返回至发送端；

S35、发送波束成形向量训练，具体如下：

S35-1、接收端连续发送Nmr⁰次S34-3所述向量至发送端，发送端在接收过程中使用Φ_T⁰的列作为波束成形加权合并向量，发送端得到其中，n_T表示第k次迭代发送端的加性高斯白噪声向量，

S35-2、发送端使用稀疏信号恢复算法计算出表示接收信号到达角在S1所述字典矩阵A_TD中的位置的稀疏向量z_T，其中，z_T是一个M×1的列向量，M表示字典A_TD的长度，z_T中有K个非零元素，K＜＜M；

S35-3、所述存储在N_T×1向量f中，即f＝A_TDz_T，接收端对向量g进行归一化，即并将返回至发送端；

S4、迭代过程，具体如下：

S41、分别定义此过程中的发送端和接收端的测量次数Nmr,Nmt；

S42、找到S24-2，S25-2中K个非零元素的位置所对应的角度，并将K个角度放入个相位中找到与之最近的相位，最后得到相位将其转置即为发送端和接收端的测量矩阵，其中，个相位是将-π～π进行个量化；

S43、接收波束成形向量训练，具体如下：发送端连续发送Nmt次向量f至接收端，接收端接收过程中使用Φ_R的列作为波束成形加权合并向量，接收端得到r＝Φ_R^H(Hf+n_R)，接收端使用最小二乘法计算出系数h_R＝(Φ_RA_R)^-1r，并求得v＝A_Rh_R，并将v放入码本中使用稀疏信号恢复算法进行估计，接收端对估计后的向量v进行归一化，即并将返回至发送端；

S44、发送波束成形向量训练，具体如下：接收端连续发送Nmr次向量至发送端，发送端接收过程中使用Φ_T的列作为波束成形加权合并向量，接收端得到接收端使用最小二乘法计算出系数h_T＝(Φ_TA_T)^-1t，并求得f＝A_Th_T，并将f放入码本中使用稀疏信号恢复算法进行估计，接收端对估计后的向量f进行归一化，即并将返回至发送端，即回到S33进行迭代；

S5、最后将迭代后得到的v,f输出即可。

进一步地，S33所述O＝10000。

本发明的有益效果是：

本发明保留了幂迭代方法的好处，即无需估计信道状态信息，收敛性较好。同时，利用毫米波MIMO信道的空间稀疏性，在获得接收信号向量的时候无需再发送和天线数目一样多次数的同一训练序列，而只需要发送远少于天线数目的次数，且此阵列系统调整了每个天线的信号相位。

本发明和幂迭代方法类似，采用多阶段投影迭代的方式，可以轻易地扩展到多流MIMO系统的天线训练中。

附图说明

图1毫米波MIMO波束成形系统图。

图2是本发明仿真程序的流程图。

图3是本发明应用于二流波束成形的情形的容量性能曲线对比图。

图4是本发明应用于四流波束成形的情形的容量性能曲线对比图。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

如图1所示毫米波MIMO波束成形系统图，图中展示的是具有N_S个数据流的MIMO系统，使用特征波束成形，则发送端波束成形矩阵接收端波束成形矩阵

图3是本发明应用于二流波束成形的情形的容量性能曲线，从上到下分别为SVD条件下的曲线，本发明的曲线。图4是本发明应用于四流波束成形的情形的容量性能曲线。

实施例、

S1、利用稀疏多径信道的几何模型进行稀疏建模，将与信道关联的接收信号的估计问题表示成稀疏信号的恢复问题，定义接收端字典矩阵

定义发送端字典矩阵其中，N表示接收端字典长度，M表示接收端字典长度，N越大，表示量化越精细，从而量化误差越小，M越大，表示量化越精细，从而量化误差越小；

S2、进行角度量化码本的建立，接收端码本为发射端码本为其中，为码本大小，N_T为发送天线数目，N_R为接收天线数目；

S3、初始阶段处理，具体如下：

S31、发送端生成一个N_T×1向量[1,0,0,…,0]^T并进行归一化作为初始向量，并放入码本中使用稀疏信号恢复算法估计得到初始向量f；

S32、分别定义此过程中的发送端和接收端的测量次数Nmr⁰,Nmt⁰；

S33、在10000个随机矩阵中找到表示发送端和接收端的最优测量矩阵Φ_T⁰,Φ_R⁰；

S34、接收波束成形向量训练，具体如下：

S34-1、发送端连续发送Nmt⁰次向量f至接收端，接收端接收过程中使用Φ_R⁰的列作为波束成形加权合并向量，接收端得到其中，n_R表示接收端的加性高斯白噪声向量，

S34-2、接收端使用稀疏信号恢复算法计算出表示接收信号到达角在S1所述字典矩阵A_RD中的位置的稀疏向量z_R，其中，z_R是一个N×1的列向量，N表示字典A_RD的长度，z_R中有K个非零元素，K＜＜N；

S34-3、Hf≈A_RDz_R，所述Hf存储在N_R×1向量g中，即g＝A_RDz_R，其中，信道矩阵接收端对向量g进行归一化，即并将返回至发送端；

S35、发送波束成形向量训练，具体如下：

S35-1、接收端连续发送Nmr⁰次S34-3所述向量至发送端，发送端在接收过程中使用Φ_T⁰的列作为波束成形加权合并向量，发送端得到其中，n_T表示第k次迭代发送端的加性高斯白噪声向量，

S35-2、发送端使用稀疏信号恢复算法计算出表示接收信号到达角在S1所述字典矩阵A_TD中的位置的稀疏向量z_T，其中，z_T是一个M×1的列向量，M表示字典A_TD的长度，z_T中有K个非零元素，K＜＜M；

S35-3、所述存储在N_T×1向量f中，即f＝A_TDz_T，接收端对向量g进行归一化，即并将返回至发送端；

S4、迭代过程，具体如下：

S41、分别定义此过程中的发送端和接收端的测量次数Nmr,Nmt；

S42、找到S24-2，S25-2中K个非零元素的位置所对应的角度，并将K个角度放入个相位中找到与之最近的相位，最后得到相位将其转置即为发送端和接收端的测量矩阵，其中，个相位是将-π～π进行个量化；

S43、接收波束成形向量训练，具体如下：发送端连续发送Nmt次向量f至接收端，接收端接收过程中使用Φ_R的列作为波束成形加权合并向量，接收端得到r＝Φ_R^H(Hf+n_R)，接收端使用最小二乘法计算出系数h_R＝(Φ_RA_R)^-1r，并求得v＝A_Rh_R，并将v放入码本中使用稀疏信号恢复算法进行估计，接收端对估计后的向量v进行归一化，即并将返回至发送端；

S44、发送波束成形向量训练，具体如下：接收端连续发送Nmr次向量至发送端，发送端接收过程中使用Φ_T的列作为波束成形加权合并向量，接收端得到接收端使用最小二乘法计算出系数h_T＝(Φ_TA_T)^-1t，并求得f＝A_Th_T，并将f放入码本中使用稀疏信号恢复算法进行估计，接收端对估计后的向量f进行归一化，即并将返回至发送端，即回到S33进行迭代；

S5、最后将迭代后得到的v,f输出即可。