大规模MIMO系统的自适应阈值信道估计算法.pdf

该【大规模MIMO系统的自适应阈值信道估计算法 】是由【司棋】上传分享，文档一共【6】页，该文档可以免费在线阅读，需要了解更多关于【大规模MIMO系统的自适应阈值信道估计算法 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。第41卷第4期杭州电子科技大学学报(自然科学版)
2021年7月JournalofHangzhouDianziUniversity(NaturalSciences)
DOI:.
大规模MIMO系统的自适应阈值信道估计算法
孙文胜,马天然
(杭州电子科技大学通信工程学院,浙江杭州310018#
摘要:针对大规模多入多出(Mliple-InputMultiple-Output,MIMO)系统信道估计需要一定的先
验条件及估计精度低的问题,提出一种应用于下行链路的自适应阈值的分段正交匹配追踪的信道
估计算法(应用信道矩阵在频域中表现的稀疏特性,采用压缩感知重构算法,结合比例-积分-微
分控制算法思想,每次迭代时,根据当前重构误差自适应调整挑选原子的阈值,一次性高效选择多
个与原信号相关性较强的原子;同时引入残差分布特性,通过计算相邻两次迭代的残差关系,动态
修正迭代停止阈值,在先验条件未知的情况下,能够更真实地反应迭代状态,从而达到提高信道估
计精度的目的(仿真结果表明,在低信噪比下,所提算法与传统的分段匹配正交追踪算法相比,估
(
关键词:大规模多输入多输出;信道估计;压缩感知;自适应匹配追踪算法
中图分类号::A文章编号:10019146(2021)04000706
0引言
大规模多入多出(Multiple-InputMultiple-Output,MIMO)系统通过配备大数量级天线以提高多
路复用的能效,具有可靠性高、无线系统容量大等特点,是5G发展的关键技术之一+1,(正确的信道状
态信息(ChannelStateInformation,CSI)是充分发挥大规模MIMO优势的前提条件。在大规模MIMO
系统中,由多个天线引起的多载波信号叠加特性使得信道估计变得困难,并且下行链路信道的CSI只
能通过接收器来估计(在实际MIMO正交频分复用(OrthogonalFrequencyDivisionMultiplexing,
OFDM)系统中,信道状态信息的获取需要通过信道估计技术来完成,传统的信道估计方法主要分为盲
信道估计、半盲信道估计以及基于导频的信道估计方法[3],基于导频的信道估计易实现,应用广泛。
近年来,用户信道矩阵在多小区多用户MIMO系统中具有隐藏稀疏特性⑷,故引入压缩感知
(CompressedSensing,CS)技术进行信道估计。稀疏信号从高维“压缩”到低维变成测量向量,根据筛选条
件选择出较好的观测向量从而恢复原信号[5\经典的贪婪重构恢复算法有正交匹配追踪(Orthogonal
MatchingPursuit,OMP)算法6、正则化正交匹配(RegularizedOMP,ROMP)算法□以及广义正交匹配追踪
(GeneralizedOMP,GOMP)算法间,这几种算法恢复信号时都需要借助于信号的稀疏度信息。但在实
际应用中,信道的稀疏度是一个不确定信息,对算法的重构精度有所影响。文献[9]提出一种分段正交
匹配追踪(StagewiseOrthogonalMatchingPursuit,StOMP)算法,无需确定信号稀疏度既可较为准确
地恢复信号,但是算法的阈值选择具有人为性,降低了不同场景下的重构效率。通过对压缩感知重构算
法深入研究发现,原子挑选阈值和迭代停止条件对信号重构效率有直接影响。文献[10]提出一种改进
GOMP算法,根据每次迭代随机生成的概率值与设定概率值的对比结果来决定原子挑选的方式。文献+1
采用二次筛选和变步长选择方式进行原子的挑选。文献[12]在每次迭代时选取或删除合适数量的原
子。文献[13]改进了压缩采样匹配追踪(CompressiveSamplingMP,CoSaMP)算法中衡量向量系数相
关性的判定方式,提高了估计精度。文献+4]将相邻迭代感知矩阵和残差之间的相关度变化量作为迭
收稿日期2020-10-09
作者简介:孙文胜(1966—),男,副教授,研究方向:无线通信与网络、嵌入式系统。E-mail:******@(
8杭州电子科技大学学报(自然科学版)2021年
代停止条件,提高了算法的效率(StOMP算法运用在不同场景时其阈值需要多次训练,同时在低信噪
比信号下重构精度较差,为此,本文基于StOMP算法,通过改进算法的阈值设置,进而提出一种自适应
双阈值的比例积分微分-分段正交匹配追踪(ProportionIntegralDerivative-StOMP,PID-StOMP)
算法。
1大规模MIMO系统模型

压缩感知技术就是运用信号的稀疏性质或在某个变换域上可压缩的特点,用信息采样代替信号采
样并从随机映射的观测值中获取有效信号的过程。其数学模型表示如下:
y=!x(1)
式中,y2RHh1是观测向量,表示对H个观测数据进行观测;x2RNX1是原信号(M3N);!2RMXN是测
量矩阵。压缩感知要求信号为稀疏的,因此需要将无线传输的信道信号通过一个矩阵映射到稀疏空间,
即通过傅里叶变换到频域空间上进行压缩,其稀疏表达式如下:
x="((2)
式中"2Rmxn是变换矩阵,2RNX1是原信号x在变换域的表达,若其中非零元素的个数I远小于原
始信号长度N,则称其为I稀疏信号。而(中所有非零元素构成的列集合即为支撑集,记作supp(()。
这样,信号x就经过正交基矩阵变换为在"域内稀疏的信号。
根据式(1)和式(2),重构信号模型描述为:
y=!"3(3)
然后通过求解最优值min||(||1来确定相对最精确的重构信号,其约束条件为y=A(。

本文采用的系统模型是多小区大规模MIMO-OFDM
系统模型,共设置L个小区,每个小区设置中心基站并配
有M根均匀排列的发射天线,服务于小区中I个同时通
信的移动用户,即信号的稀疏度为I,其系统模型如图1
所示。
图1所示的系统模型下,第z!=1,2,…,L)个小区中
第F个(=1,2,・・・,I)用户接收到的信号"2RMXz表
示为:
"!=H&j+仏(4)
式中2RMXI表示第Z个小区中第F个用户接收到的信
图1大规模MIMO系统模型
道矩阵,一般由无线信道的衰落情况来决定2RIX1是
用户发射的训练序列;*2RMX1是小区内用户接收到的高斯白噪声,其均值为0,方差为/o
用矩阵形式来表示第z个小区接收的信号:
Y=H"Z+Nz(5)
式中,*‘=[*!Hz…HiJ是/个小区中所有的用户信道组成的信道矩阵;x=[X1X2…XJT
是这/个小区发送的训练信号矩阵。
由于信号在传播过程中的衰落特性,使得信道矩阵在频域空间中表现出稀疏特性,因此可以通过压
缩感知的方式来估计信道。
2自适应双阈值比例积分微分-分段正交匹配追踪算法
分段正交匹配追踪算法StOMP是基于OMP算法改进的一种自下而上的贪婪算法,先预设1个可
能解,再通过迭代来逼近全局最优解。在每次迭代时,首先计算传感矩阵与上次迭代残差的内积,从中
第4期孙文胜,等:大规模MIMO系统的自适应阈值信道估计算法9
筛选出符合设置门限的多个原子,更新候选原子集合;然后求解最小二乘解的同时记录当前残差。与普
通的OMP算法相比,迭代时,StOMP算法一次性选择多个原子,减少了迭代次数,加快了计算速度。
但是,由于其阈值参数和迭代次数的设置都是凭人为经验设置的,每次迭代重构出的信号可能与原信号
有一定误差,降低了重构精度[15\针对这个问题,本文改进了分段正交匹配追踪算法,提出一种自适应
双阈值的比例积分微分-分段正交匹配追踪算法PID-StOMP。
首先,改进原子的挑选阈值。引入比例-积分-微分(Proportion-Integral-Derivative,PID)思想,当
一个系统的参数无法有效确定时,PID算法将计算值与预设值进行比较,对所得误差进行比例、微分、积
分运算,再反馈到输入值重新调整参数,直到误差符合预设误差的范围[16\
常规的PID连续控制微分方程用比例系数Kp、积分时间常数J和微分时间常数Jf表示:
u#)=Kp]e(#)+eOdk+JdFl#),(6)
式(6)中,微分单元和积分单元都要求输入误差是连续值,根据多小区多用户的系统模型可知,所得重
构信号的误差值一般为离散的,则离散化表示迭代的门限阈值u:
u=Kpe+Ki"ez+Kd(et—et-1)—***@0(7)
!=1
由于此时的误差调整需要遍历之前所有的误差状态,对系统的存储容量和计算能力提出较高的要
求,因此,引入增量型计算误差值,使得当前迭代阈值无需累加,从而提高了算法的可行性。增量化表示
如下:
$u3=u3—u—1=Kp$e+Ke+K』—$e—1,(8)
式中,e=et—et—1,应用于PID-StOMP算法中的动态变化阈值参数表达为:
u3=Kp(e3—e—1)+Kd(et+et—z—2e3—1)+Kiet(9)
然后,改进迭代停止条件。迭代终止次数的设置需要以信噪比作为先验知识。实际环境中,信噪比是
未知的,应用范围受限0PID-StOMP算法通过引入残差能量的阈值判决来提高重构精度,但是,因为残
差能量中有一部分能量属于噪声能量,在较低信噪比情况下,噪声能量占据残差能量的绝大部分,因此
考虑在低信噪比条件下,对式(4)进行如下修改:
"=i—*B—nB(10)
式中,i代表用户在无噪情况下的接收信号,i和分别代表信号带宽B内的噪声分量和信号
带宽B外的噪声分量。文献[17,认为,”K与候选集中的所有原子均正交,即A与相互独立,则第3步
和第3—1步迭代后的残差能量分别表示为:
II93(")||;=9(》—nB—nB)||;=II93(》—nB)||;—||"k||;(11)
II93—1(")||2=1+1(n—nB)||2—IIMb||;(12)
当迭代次数不断累加,残差能量的变化主要由随机噪声能量引起。为了消除信号带宽外的随机噪声
分量对迭代状态的影响,将式(12)和式(13)相减,得到如下迭代终止判决条件:
2
I—1"—|3"||2
"—14£
3"!||2
13)
本文重构信号的误差采用归一化均方误差(NormalizedMeanSquareError,NMSE)作为算法的
误差判断方式,其表达式如下:
丄||G—创;
14)
Hl|G||;
式中,M是基站的天线数量,G是原信道矩阵,G是信道矩阵的估计值。
10杭州电子科技大学学报(自然科学版)2021年
PID-StOMP算法的流程如图2所示。
3仿真实验及分析
PID控制算法
为了验证本文提出的PID-StOMP算法在大规模
输入
MIMO系统中用于信道估计的有效性,在MATLAB
2015b平台上仿真模拟TDD工作模式下的下行信道(比例调节单元微分调节单元积分调节单元
仿真采用5个相邻的宏蜂窝小区系统,单个小从卩中挑选大于阈值
的原子列并更新原子
区半径为1km,基站位于小区中心并均匀排列着候选集
128根天线。PID-StOMP算法参数设置如表1所
示(实验中,为了真实反映重构精度的提升并非阈
值选择范围扩大或减小所致,所有算法的阈值搜索
范围均设置为+.0,]。输出
N
判断是否为最佳阈值?
表1PID-StOMP算法参数说明
参数类型取值
训练序列长度40判断是否满足N
训练序列总功率/?

停止迭代判断€Y
可承受重构误差值10—3
重构信号
〜
计算当前的NMSE
根据小区内不同的用户数量,采用PID-StOMP算
法重构信号,在误差最小的情况下,运用PID-StOMP算
图2PID-StOMP算法流程图
法搜索出的最佳挑选原子阈值不尽相同,结果如图3
所示。从图3可以看出,当小区用户数发生变化时,
挑选原子的最佳阈值并不是固定的,若采用固定阈
值则无法使得恢复信号与原始信号间的误差最小,赳昼辿
从而降低了估计精度。
<
当单个小区用户数为5时,分别采用OMP算法、
StOMP算法()及PID-StOMP算法
进行信道估计,得到3种算法的估计性能结果如图4
所示。从图4可以看出,在0〜5dB低信噪比情况下,
NMSE相同时,比较3种算法的训练序列信噪比性能,单个小区用户数量
图3
〜;PID-StOMP算法搜索得到的最佳阈值
PID-〜
。以同样的方式观察,当信噪比为6〜20dB
时,PID-StOMP算法和StOMP算法的估计性能近
似重合,这是因为当小区用户数为5时,由图3得到
的PID-,与
StOMP算法的固定阈值一致。在低信噪比下,
PID-StOMP算法的估计误差低于StOMP算法,体现
了PID-StOMP算法在迭代停止判决阶段的阈值
优势。
当单个小区用户数为8时,分别采用OMP算
()及PID-StOMP图4小区用户数为5时,不同算法的估计性能
第4期孙文胜,等:大规模MIMO系统的自适应阈值信道估计算法11
算法估计信道状态信息,
—e—OMP
估计性能结果如图5所示。和图4相比,3种

—PID-StOMP
算法的估计误差均有所增大,
户数的增多,信道矩阵维度增大,

性增高,降低了估计精度。在0〜5dB低信噪

比下,相比StOMP算法,PID-StOMP算法的训

〜;
OMP算法,PID-
°-OOo
比性能提升更为明显。图3中,当小区用户数5101520
为8时,PID-StOMP算法的最佳原子挑选阈值训练序列信噪比/dB
图小区用户数为时,不同算法的性能
,
致,说明PID-StOMP算法能够根据当前的小
区用户数寻找最佳阈值,从而降低了估计误差,体现了PID-StOMP算法的自适应优势(
结合图4和图5可以看出,在未知小区用户数即稀疏度不确定的情况下,本文提出的改进型自适应
PID-StOMP算法依然可以根据当前无线信道状态搜索出最佳阈值,并用该小区用户数量相匹配的最佳
阈值来换取信号重构精度的提升。
压缩感知贪婪算法的复杂度计算一般由3部分组成。PID-StOMP算法的复杂度计算如下。
(1)初始化部分:对当前残差进行匹配滤波即对矩阵AT进行操作,复杂度为O(MN"用软阈值进
行原子集合的获取和更新,复杂度最大为O(2N);
(2)主循环部分:用共轭梯度求投影的最小二乘解,假设共轭迭代次数为s与M,N不相关,为常
量,复杂度为OCMNv);
(3)输出部分:更新残差并计算当前残差能量是否符合迭代停止条件,复杂度为O(2MN)(
-StOMP算法的
表2不同算法复杂度对比
复杂度,结果如表2所示。迭代时,StOMP算法和PID-StOMP
算法可一次性挑选多个原子,而OMP算法在每次迭代时只算法类别复杂度
可挑选1个原子,初始化时需要多次计算CholesEy因子分OMPO(KMN)
解,其复杂度更高。从表2可以看出,PID-StOMP算法和StOMPO(S(v+2)Mn)
StOMP算法在极限条件下复杂度相近,但PID-StOMP算法
PID-StOMPO(S(v+3)Mn
凭借其自适应双阈值的特性可达到更高的重构精度。同时,)
相较于传统OMP算法,PID-StOMP算法更适用于大规模
MIMO系统实际场景(
4结束语
本文主要研究大规模MIMO系统,运用无线信道稀疏可压缩等特性,提出一种自适应双阈值的比
例积分微分-分段正交匹配追踪算法,改善了低信噪比情况下信号重构精度较差的现象。下一步将构建
虚拟角域信道模型,重点研究天线分组以及空间相关性对信道估计性能的影响,并根据具体场景下信道
稀疏的表现,进一步优化算法的阈值选取方式。
参考文献
[1,VODAFONEFB,HEATHRW,LOZANOA,[J,.IEEE
CommunicationsMagazine,2014,52(2):74-80.
[2,LARSSONEG,OVEE,FREDRIKT,[J,.IEEE
CommunicationsMagazine,2014,522):186-195&
12杭州电子科技大学学报(自然科学版)2021年
+,曹海燕,瞿拓思,[口杭州电子科技大学学报(自然科学版)
2018,38(4):20-24.
[4,RAOXB,-usermassiveMIMO
systems]〕,.IEEETransactionsonSignalProcessing,2014,62(12):3261-3271.
[5,RANIM,DHOKSB,:concepts,implementations
andapplications]〕,.IEEEAccess,2018,6:4875-4894.
[6,CAITT,[J,.IEEETransactionson
InformationTheory&2011,57(7):4680-4688.
[7,NEEDELLD,
matchingpursuit]J,.IEEEJournalofSelectedTopicsinSignalProcessing&2010,4(2):310-316.
[8,WANGJ,KWONS,[J,.IEEETransactionsonSignalProcessing,
201260(12):6202-6216
[9,DONOHODL,TSAIGY,DRORII,etalSparsesolutionofunderdeterminedsystemsoflinearequationsby
stagewiseorthogonalmatchingpursuitJ,&IEEETransactionsonInformationTheory&201258(2):1094-1121&
[0,徐志强,蒋铁钢,杨立波•基于随机支撑挑选的广义正交匹配追踪算法[J,计算机应用,2020,40(4)=1104-110&
[1,王欣,张严心,[J,电子学报,2018,46(8):18291834.
[12,潘作舟,孟宗,李晶,等•基于自适应加速前向后向匹配追踪的压缩感知重构算法[J,通信学报,2020,41(1):2532.
[13,毛攀,黄小光,汪伟,[J,电信科学,2018,34(12):4652.
[14,张锐,[J,数据采集与处理,2019,34(2):214222.
[15,杨真真,杨震,孙林慧•信号压缩重构的正交匹配追踪类算法综述[J,信号处理,2013,29(4):486496.
[16,DABIRIA,MOGHADDAMBP,-orderfractionalPIDcontrollersfor
dynamicalsystemsJ,JournalofComputationalandAppliedMathematics&2018339:40-48
[17,孔英会,-奇异值分解稀疏表示图像去噪算法[J,科学技术与工程,2018,18(1):287292.
AdaptivethresholdchannelestimationalgorithmformassiveMIMOsystems
SUNWensheng,MATianran
(SchoolofCommunicationEngineering&HangzhouDianziUniversity&HangzhouZhejiang310018,China)
Abstract:FocusedontheissuethatchannelestimationofmassiveMIMOsystemsrequirescertain
priorconditionsandhavelowestimationaccuracy,achannelestimationalgorithmindownlinkbased

channelmatr6R6nfrequencydoma6n&compressedsens6ngreconstruct6onalgor6thmcanbeused.
Comb6n6ngw6ththemethodofProport6onal-Integral-Der6vatve(PID)controlalgor6thm&6neach
iteration,thethresholdofselectingatomsisadaptivelyadjustedaccordingtothecurrentresidual&
;henmuliplea;omswi;hs;rongcorrela;ionwih;heoriginalsignalcanbeselec;eda;one;ime.
Meanwhile&according;o;hedis;ribu;ioncharac;erisicsofresiduals&;hes;opping;hresholdis
dynamicalymodifiedbycalcula;ing;heresidualrela;ionshipbe;ween;woadjacen;i;era;ions&which
canimprove;heaccuracyofchannelesima;ionwi;hou;;;ionresul;s
show;ha;&comparedwi;h;heS;OMPalgorihm&;heproposedalgori;hmcanimprove;hechannel
esima;ionaccuracywhilemain;aininglowcompleRi;y.
Keywords:massiveMIMO;channelestimation;compressionsensing;adaptivematchingpursuitalgorithm