MIMO信道

2024-06-21

MIMO信道（精选七篇）

MIMO信道篇1

目前, 从国际国内无线通信研究趋势的发展中可以发现, 在无线通信传输理论和技术领域, MIMO做为未来宽带无线通信系统的框架技术之一, 有着巨大的潜力和发展前景, 它也是充分利用空间资源以提高频谱利用率的一个必然途径。然而, MIMO系统大容量的实现和系统性能的提高以及MIMO系统中使用的各种信号处理算法的性能优劣都极大地依赖于MIMO信道的特性, 特别是各个天线之间的相关性, 所以对MIMO信道建模就显的至关重要了。其重要性体现在:一方面, 我们可以用所提模型评估各种空时处理算法的性能, 另一方面可以进行系统级和链路级仿真, 并给出天线设计的位置, 间距参数等。

1 MIMO信道测量

无线信道模型, 是在人们对无线传播环境及其传播特性有了充分的了解后, 对它的一个抽象的描述。所以对无线信道的测量就成为了信道建模的第一步。首先, 通过信道测量我们可以得到真实的测量数据, 从而可以得到一些最基本的信道研究工具, 如功率延迟线、传递函数等, 通过这些工具我们可以抽取出很多重要的信道参数, 如RMS时延扩展、相干时间。其次, 可以为信道建模提供参考数据, 并为模型提供比对的参考, 以此来验证模型的有效性和合理性。

2 MIMO信道模型分类

不同的信道模型总试图去描述信道的一个或多个方面的特征。在宽带、高频、高速移动的前提下, 无线传播环境显得十分复杂。一个好的信道模型可以在某一个方面拟合真实的信道, 为系统设计、仿真、评估提供参考。目前用于MIMO信道建模的方法主要有两大类:一类是确定性衰落信道建模方法, 这类方法基于对特定传播环境的准确描述产生, 具体又可分为基于冲激响应功率时延特征测量数据的方法和基于射线跟踪的建模方法。另一类建模方法是是基于统计特征的建模方法, 与确定性建模方法相比, 这类方法试图利用统计平均的方法重新产生观察到的MIMO信道的衰落现象, 具体可分为基于几何分布统计建模、参数化建模和基于空时相关特征建模的3种方法。这些建模方法对应的模型分类如图1[1]:

3 MIMO信道模型分析

3.1 确定性模型

现在分别对这些信道模型加以分析比较。脉冲响应记录模型是通过对MIMO信道衰落的测量, 获得特定电波传播环境的信道冲激响应测量数据, 利用正弦波迭加 (SOS) 方法[2]模拟MIMO信道的衰落过程。在整个信道衰落的模拟过程中, 信道衰落只视为时间的函数, 因此称为确定性建模方法。其建模过程简单, 运算量小, 不过因为需要脉冲响应测量的数据, 所以只能用于特定的传播环境。而射线跟踪的基本思想是:将发射点视为点源, 其发射的电磁波作为向各个方向传输的射线, 对每条射线进行跟踪, 在遇到阻碍物时按反射、透射或绕射来进行场强计算, 在接收点将到达该点的各条射线合并, 从而实现传播预测.射线跟踪可得到每条路径的幅度、时间延迟和到达角, 以预测信号电平、时域色散和信道的冲激响应, 随之一系列的参数如功率延迟谱、均方根延迟扩展和相关带宽等就可确定。但冗长的计算时间和很大的内存需求一直都是射线跟踪法的瓶颈。

3.2 统计模型

基于地理特征描述的模型 (GBSM) 又称物理模型, 它对链路两端的散射体做随机分布的假设, 根据电磁波反射、衍射和散射的基本定律, 从散射体的分布位置导出MIMO信道模型。GBSM有两种典型的信道模型:基于宏小区的几何单反射圆环模型和基于微小区的几何单反射椭圆模型。

3.2.1 单环模型

在宏蜂窝或郊区的电波传播环境中, 由于发送天线的高度较高, 可以假设散射体主要围绕在接收端。其中著名的为单环模型[3]。在单环模型中, 基站周围无散射体分布, 而移动台周围的散射体都分布在半径为R的环上。如图2所示:

下面用该模型来确定信道的空间衰落相关性。模型中包括基站与移动台之间的距离D、散射体环的半径R、基站的到达角度Θ和天线阵列的地理位置。从特定天线元素看过去, 电波到来的角度限制在[Θ-∆, Θ+∆], 其中∆称为角度扩展, 且有∆≈arcsin (R/D) 。考虑发送天线阵列元素数目为nt接收天线阵列元素数目为nr的MIMO系统。假设使用的都是全向天线, 且只考虑一次反射, 则发送天线元素Tp与接收天线元素Rm之间的信道增益为来自每个散射体的分量之和:

其中Ns为散射体的数目, ri (Rm, Tp) 为从天线Tp出发受到散射体i的反射后到达天线Rm的射线的复值幅度, 于是h (Rm, Tp) 与h (Rn, Tq) 之间的相关可以表示为

对于同一副发送天线的信道增益有 , J0 (x) 为0阶贝塞尔函数, D (Rm, Rn) 是天线元素mR与Rn之间的距离, 因此, 不相关距离为半个波长左右。基站所看到散射体的方位角分布p (θ) 称为功率方位分布 (PAD) 。给定p (θ) 则空间相关函数可表示为

其中D (Tp, Tq) 表示天线元素Tp与qT之间的距离。PAD可以采用, 如均匀分布, 截短正态分布, 截短拉普拉斯分布等等, 使用PAD不同, 得到天线相关性与AOA和角度扩展之间的关系也不同。

3.2.2 椭圆模型

椭圆模型是在微蜂窝、微微蜂窝环境下提出的模型。由于收发天线的高度几乎相同, 因此可假设散射体分布在不同长短焦距的同心椭圆上, 该模型把所有的多径信号等效为是经过一次反射到达接收机的信号。反射点均匀分布在以发射点和接收点为焦点的椭圆面内。通常为了简化起见, 认为该平面为水平面。椭圆的区域取决于最大时延τmax。根据椭圆的性质, 时延相同的多径信号的反射点位于同一椭圆上。其模型如图3所示:

假设基站和移动台之间的距离为d0, 内边界和外边界椭圆参数可以表示为式中, f=d0/2如散射体服从均匀分布其概率分布可以表示为

令ri=cτi/d0=τi/τ0 (表示标准时延) , 则可得到达角的分布函数为

对Φ微分, 得条件概率密度函数为

标准时延分布概率密度函数为

结合上面两式, 可以得到到达角度ɸi和归一化传播时延ri的联合概率密度函数

该联合概率密度函数在信道建模中极为重要。一般的说, 所有基于统计的矢量信道模型最终都需要TOA和DOA的联合概率密度函数来表征。

3.2.3 分层几何模型

当同时考虑宏蜂窝和微蜂窝, 考虑区域散射体和本地散射体影响时, 文献[4]提出了分层几何模型。分层几何假设是在原有的GBSR模型的几何假设基础上结合Raleigh模型的分析发展出来的。如图4所示:

在这个模型中, 我们把分布在较大的空间范围内, 产生较大角度扩展和时延扩展的散射体称为区域散射体, 在移动台周围, 对移动台接收信号产生较大角度扩展的散射体称为本地散射体。假设传播时间超过某一确定数值的散射径和那些经过两次以上散射的多径分量被极大的衰减掉了, 因此得到区域散射体的分布区域为一椭圆, 椭圆的长、短轴由基站到移动台的距离和最大传播时延确定。一般来说, 区域散射体的分布密度较低, 根据环境的不同, 可以选用不同的参考值。而本地散射体则均匀分布在以移动台为圆心, 半径为R的圆形区域内。这里的散射体被看作是由多个子散射体构成的散射体簇, 在散射体簇中的各子径的DOA和时延扩展相对于系统时间来说是不可分解的, 因此等效成一个散射体。但在计算信号强度的时候, 需要考虑散射体簇中子散射体的影响, 得到的信号强度包括了路径损失和信号传播相位叠加的共同影响[4]。

B为基站, M为移动台, SD为区域散射体SL为本地散射体, 则区域散射体在基站端的DOA和TOA联合概率密度函数为:

本地散射体的DOA和TOA的联合概率密度函数[5]为:

其中, θb、am、mb、Rm、C分别表示基站的信号到达角、区域散射体分布区的长轴、短轴、本地散射体区域半径和光速。

3.2.4 空间衰落相关模型

在实际中, 由于天线尺寸限制、散射体分布等因素的影响, 衰落并非总是独立同分布的, 信道矩阵的元素并非完全的不相关, 使容量比理想值有所降低, 因此, 分析MIMO信道模型, 必须考虑MIMO信道的相关性。若信道矩阵为H, 其列向量记为h服从于复多元正态分布, h的协方差矩阵 (也称为复相关模型) 定义为R=E{| (h-u) (h=u) H|}该随机矩阵模型具有两种情况:若信道矢量的均值u为零时, 这时信道为Rayleigh衰落;若u不为零时, 信道为具有非衰落或视距 (LOS) 成分的Rician衰落。利用开阔地区假设 (SLAC) , 若发射端天线与接收端天线互不相关, 依据多天线系统相似振子相关的可分性和移位不变性[6], 得到不同的两对天线经历的衰落之间的相关性等于对应的发射天线与接收天线相关之积, 推导出Kronecher模型R=RC⊗RT

设矩阵HW为一个nr×nt矩阵, 其元素为独立同分布的循环对称复高斯随机变量, 在各支路之间存在相关的情况下, 也可以通过对HW分别左乘和右乘收发两端的相关矩阵来获得Rayleigh衰落的相关信道矩阵H, 即其中表示矩阵R的平方根矩阵, 即有R=R1/2 (R1/2) *。利用矩阵的性质Vec (AXB) = (BT⊗A) Vec (X) 则

Vec (H) =R1/2Vec (HW) , 可以按照此式来获得符合特定相关的信道增益。

3.2.5 参数化统计模型

参数化统计建模方法[7]将接收信号描述为许多电磁波的迭加, 以构建信道衰落的特征。抽头延迟线 (Tapped Delay Line, TDL) 模型结构是其通常的实现方法, 每个抽头对应一条径。而对应每个抽头, 在发送端和接收端分别有对应的离开角和到达角、复信道衰落因子和相对时延等参数进行描述。

ITU给出的时延功率谱为

K为可分解的路径数, 又叫抽头数。实际上如果不同方向的来波时延在如下间隔内:τl-1/2W≤τ≤τl+1/2W则这些来波在时间上是不可分的, W为信号带宽。即每个可分解的路径是由大量的时间上不可分的不同方向来波的叠加。则冲激响应矢量h (t, τ) 的抽头延迟线可表示为:

a (θb, n) 和a (θs, n) 分别为基站和移动台处的方向矢量φn为附加相位fd为多普勒频移。

参数化统计模型中有代表性的是双方向性信道模型和虚射线模型, 但双方向性信道模型无法包括收发端天线阵列结构的影响, 虚射线模型则较好地解决了这个问题, 它先将多径解释为分别包含多个子径的簇, 对每个簇分别用多个衰落成份模拟产生, 这个模型已用于3GPP的系统级仿真模型中。

4 结束语

本文对使用比较广泛的MIMO信道模型进行了分类分析和比较, 可以看出信道建模的方法很多, 而且对信道信息的认识还有待进一步提高, 尤其是MIMO信道, 需要同时考虑接收和发送端周围空间和时间的衰落统计特性, 这就要我们在进行MIMO信道建模时在合理性、准确性和复杂度方面慎重考虑, 提出更接近实际情况, 更易于理论分析和仿真实现的MIMO信道模型。

摘要：无线传播环境十分复杂, 除了考虑时延, 频移, 还要关注空间相关性, 所以对MIMO信道建模就显得很困难。本文分析了现有统计性和确定性MIMO信道模型, 并着重描述了基于散射体几何分布的地理特征模型, 并给出了基于相关统计模型的建模方法。

关键词：射线追踪,正弦波叠加,单环模型

参考文献

[1]蒋泽, 顾朝志.无线信道模型综述.重庆工学院学报, 2005.8

[2]杨大成.移动传播环境——理论基础, 分析方法和建模技术[M].北京:机械工业出版社, 2003

[3]W.C.Jakes.Microwave mobile communications, reprinted.Piscataway:IEEE Press:1993

[4]闫志刚, 贺志强, 杜志敏, 吴伟陵.基于分层几何单反射原理的连续时间时变矢量信道模型.北京:通信学报, 2003.6

[5]Petrus J, Reed, Rappaport.Geometrically based statistical model for mobile communications[A].IEEE Proc Global Communications Conference (GLOBECOM’96) [c].q.1996.1197-1201

[6]Durgin G, D.Space-time wireless channels[M].New Jersey:Prentice Hall PTR., 2003

MIMO信道建模方法篇2

随着现代无线通信要求的传输带宽越来越高, 传统的无线通信技术发展受到很大的瓶颈。信号传输所要求的带宽越来越高, 从信息论的角度看来, 要提高信号的传输速率, 主要有两个方法:一是增加系统带宽, 二是提高信号传输效率。由于传统的频带资源日趋饱和, 增加无线信号的传输频带是非常难以做到的。更多的方法应用于提高信号的传输效率。MIMO技术是非常具有前途的未来无线通信技术之一。MIMO技术能够在不增加系统带宽和发射功率的前提下极大的提高信号传输效率[1,2]。在MIMO技术的研究中, 信道建模方法是其中非常重要的一个方面。本篇文章中是按照如下顺序组织的, 第Ⅱ部分给出MIMO信道理论模型介绍, 第Ⅲ部分中我们会给出MIMO信道的建模方法。

1 MIMO信道理论模型

相比较传统的SISO系统, MIMO在发射端和接收端引入天线阵列, 在传输信道中构建多个传输子信道, 构成了MIMO传输信道。我们假设发射端有N个发射天线, 接收端有M个接收天线, 在发射端的信号表示为x (t) =[x1 (t) , x2 (t) , …, xN (t) ]T这里的xi (t) 代表了第i根天线发射信号, []T代表矩阵的转置。接收端的信号可以表示为y (t) =[y1 (t) , y2 (t) , …, yM (t) ]T其中的yi (t) 代表了第j根天线接收信号。N个发射天线和M个接收天线之间的传输路径可以用一个M*N的矩阵来表示HMN, 其中的任意一个子信道hij为第j个发射天线第i个接收天线之间的传输子信道, 如图1所示。

MIMO传输信道的基带输入输出关系为y (t) =H (t) *s (t) +n (t) , 这里的s (t) 是发射信号, y (t) 是接受信号, n (t) 是附加的高斯白噪声信号 (AWGN) , 而*表示卷积。这里的H (t) 是一个M*N的信道脉冲矩阵。

2 MIMO信道模型分类

信道的传输矩阵对研究MIMO的信道建模技术至关重要, 根据研究工作的不同方面, 我们能够将MIMO信道模型分成不同的种类。

按照信道的建模方法不同, 我们能够将MIMO信道模型分为实际模型和非实际模型。实际模型选择一些关键的实际参数来表述MIMO信道, 这些关键参数包括到达角度 (AOA) , 离开角度 (AOD) 和到达时间等。通过这些参数能够使人们对MIMO信道的传输性能有大概的了解。另一种模型就是非实际模型, 非实际模型是基于适用统计参数的信道统计特性, 通过对大量的信道参数进行数理统计, 得到MIMO的信道。

根据信道之间是否存在相关性, 我们可以将MIMO信道分为相关信道和半相关信道。

3 MIMO信道建模方法

现在已经提出了多种信道建模方法, 最主要的方法有以下几种:

3.1试验测量的方法

这是目前研究MIMO信道最有效的方法。我们可以对具体的环境采用实验测量的方法, 通过测试具体环境中的信号传输情况, 通过测量得到的信号场强、相位、延迟、离开角和到达角等构建MIMO信号。它的优点是试验数据非常精确, 符合具体的传输环境, 应用于实际模型;缺点是代价很高, 不具有普遍性, 得到的信道模型只能适用于具体的传输环境, 而没有很强的通用性。

3.2电磁数值计算方法

利用电磁数值计算方法, 我们可以对MIMO信道进行建模[3]。主要的电磁数值计算方法主要有有限差分法 (FDTD) 和矩量法 (MoM) 。电磁数值计算方法的优点是计算准确, 能够得到信道传输信道的详细参数, 缺点是计算复杂, 计算量大。

3.3统计性方法

统计性模型需要利用实验测量方法或确定性方法得到的数据, 对得到的数据利用数理统计的方法来得到信道模型[4]。

3.4射线追踪方法

由于现在的传输信号频率较高, 可以采用射线追踪的方法来研究传输信号的性能[5]。射线追踪方法通过在发射端利用多条传输射线来模拟实际的发射信号, 射线在传输过程中会受到各种障碍物的阻碍作用, 经历了发射、散射和衍射等多种传输机制, 最终到达接收点的信号。通过射线追踪方法, 最终能够计算出信号的幅度、相位、到达角以及传输时延等有效信息, 进而可以构建出传输矩阵。射线追踪的方法是计算精确, 能够精确得到MIMO的传输矩阵, 缺点是射线的判决门限难以确定, 同时计算量较大。

下面我们采用SBR射线管法来研究MIMO信道。

采用射线追踪法追踪每一条从发射机发射的射线, 就能够获得到达接收机的射线的功率、相位、时延和到达角等各个参数[6,7,8]。利用这些参数我们能够得到MIMO信道的传输矩阵, 每一对发射和接收天线对之间的信道冲击响应可以表示为

undefined. (1)

这里的Pk, θk和τk分别为接受功率、相位角和第k根射线的相对时延。M是被接收的射线的数目。利用这个公式可以构建信道矩阵H。假设接收机能够准确估计信道、发送端无法正确估计信道, 采用平均功率分配, 能够得到MIMO信道容量

undefined

由上述式子能够计算出MIMO信道容量。

已经构建好基于SBR射线管法的程序, 结合GO/UTD理论, 能够准确地计算MIMO信道的传输情况。我们假设一个2*2的MIMO系统, 接收端和发射端天线都是全方向天线, 工作频率为2 GHz, 天线之间间隔为5个波长, 研究在一个6*4*2.5的房间内信号传输情况。

从图2中, 我们能够看到MIMO信道能够极大地提高信道容量。利用射线追踪方法还能够得到传输时延和到达角等关键分量。

由此, 我们可以利用射线追踪方法来研究实际的MIMO信道模型。

4结论

本篇文章对于MIMO信道建模技术做了简要描述, 主要介绍了利用射线追踪方法研究MIMO信道模型, 利用射线追踪方法, 能够计算得到关于MIMO信道的参数, 利用这些参数能够构建实际的MIMO信道。

摘要：对MIMO衰落信道的精确描述是设计多天线无线系统非常重要的一个要求。首先简要介绍了MI-MO技术的发展史, 同时详细介绍了MIMO信道的建模方法, 比较了不同建模方法之间的异同。着重介绍了射线追踪方法构建MIMO信道模型的方法, 给出了在确定性环境中的信道矩阵的构建方法, 同时给出了信道容量的计算方法。

关键词：MIMO信道,射线追踪方法,信道容量,信道建模

参考文献

[1]Foschini G J, Gans M J.On Limits of Wireless Com-munications in a Fading Environment when Using Mul-tiple Antennas[J].Wirel Pers Commun, 1998, 311-335.

[2]Telatar I E.Capacity of Multi-Antenna GaussianChannels[J].Eur Trans Telecommun, 1999:585-595.

[3]Qiang Chen, Kenji Yamaguchi, Xiaopeng Yang, et al.Numerical Analysis Method for Wireless Channel ofMimo System[J].Volume 2004:3008-3012.

[4]Adel A, Saleh M, Fellow.IEEE, and REINILDO AVALENZUBLA, MEMBER, IEEE A statistical mod-el for indoor multipath propagation[J].IEEE journalon seleted areas in communications:128-137.

[5]吕剑英.多入多出无线通信技术研究[J].北京邮电大学博士论文, 16-20.

[6]Chang-Fa Yang, Chuen-Jyi Ko.A Ray Tracing Meth-od for Modeling Indoor Wave Propagation and Penetra-tion[J].1996:441-444.

[7]Lawton M C, McGeehan J P.The Application of a De-terministic Ray Launching Algorithm for the Predictionof Radio Channel Characteristics in Small-Cell Envi-ronments[J].Vehicular Technology, IEEE Transac-tions on Volume 43, 1994:955-969.

MIMO信道篇3

MIMO信道的状态信息对于接收端和发射端来说, 都是未知的。因此为了获取信道的状态信息, 通常的方法是在数据传输之前发送一段发射端和接收端都已知的训练符号。Hassibi和Hochwald[1]在假定系统接收算法理想的情况下, 对此问题展开了研究, 并讨论了信道估计误差的特点。M.S.Baek[2]讨论了半盲信道估计算法及信道估计误差的性质。因此, 不管是采用基于导频的还是采用盲的信道估计, 通常都会存在一定的估计误差。信道估计误差的存在会引起MIMO系统的信道容量下降[3,4,5,6,7,8,9]。

Bhavani Shankar采用一阶扰动理论推导了存在信道估计误差情况下系统信道容量的上下限[7], 但其分析过程繁琐, 而且计算复杂度非常高。M.Medard详细推导了当接收端存在信道估计误差时, 单输入单输出 (SISO) 系统互信息的下限[10]。本文重点研究在相关Rayleigh衰落信道情况下, 接收端存在信道估计误差时MIMO系统信道容量的下限。

1 信道信号模型

考虑接收天线和发射天线数分别是M和N的MIMO系统, 接收信号模型为:

$y = Η x + n (1)$

式中:x为M×1维发射信号向量;y为N×1维接收信号向量;H为M×N维信道转移矩阵;n为N×1维加性白高斯噪声矢量。

发射端ULA天线阵上间距为d的两根天线空间相关系数约为:

$R (d) \approx \exp (j \frac{2 π d}{λ} \sin φ) s i n c (\frac{2 π d Δ}{λ} \cos φ) (2)$

式中:λ为载波波长;φ为信号平均出发方向角;Δ为散射角。

MIMO系统信道矩阵分解为[7]:

$Η = U R^{Η / 2} (3)$

式中:矩阵U的元素为独立同分布的均值为0, 方差为1的复高斯随机变量;R1/2RH/2=R。

设接收端能准确估计衰落空间相关矩阵R, 利用MMSE对矩阵U进行估计。

$\hat{U} = U + ε (4)$

式中: $\hat{U}$ 为U的估计, 其元素为独立同分布的均值为0, 方差为1+σ $_{ε}^{2}$ 的复高斯随机变量;矩阵 $\hat{U}$ 和U为联合高斯分布;ε为信道估计误差, 其元素为独立同分布的均值为0, 方差为σ $_{ε}^{2}$ 的复高斯随机变量。 $\hat{U}$ 和U相应元素的相关系数为:

$ρ = 1 / \sqrt{1 + σ_{ε}^{2}} (5)$

利用二元正态分布性质, 可以得到:

$\begin{array}{l} E [U | \hat{U}] = μ = \hat{U} / (1 + σ_{ε}^{2}) (6) \\ D [U | \hat{U}] = σ_{ε}^{2} / (1 + σ_{ε}^{2}) (7) \end{array}$

将矩阵U写成如下形式:

$U = \frac{1}{1 + σ_{ε}^{2}} \hat{U} + η (8)$

式中:矩阵η的元素为独立同分布的复高斯随机变量, 均值为0, 方差为σ2η=σ $_{ε}^{2}$ / (1+σ $_{ε}^{2}$ ) 。

因此, 可以将存在信道估计误差时的MIMO信道模型构建为:

$Η = (\frac{1}{(1 + σ_{ε}^{2})} \hat{U} + η) R^{\frac{1}{2}} = \hat{Η} + α (9)$

式中: $\hat{Η} = (\hat{U} R^{1 / 2}) / (1 + σ_{ε}^{2}) ‚ α = η R^{1 / 2}$ 。

2 MIMO系统信道容量分析

接收信号向量可以写为:

当L=αx+n被视为高斯噪声时, 可得到MIMO系统信道容量下限为:

系统平均信道容量下限为:

将 $\hat{Η}$ 和σ2η的表达式代入式 (11) 中可得:

当发射端未知信道状态信息时, 发射端在各发射天线上采用等功率发射方案。假设发射的总功率为P, 则每根发射天线上分配的发射功率为P/N, 即Q=E (xxH) =P/NIN。这种情况下, 式 (12) 可简化为:

由于矩阵 $\hat{U}$ 的元素为独立同分布的均值为0, 方差为1+σ $_{ε}^{2}$ 的复高斯随机变量, 所以 $W = \hat{U}^{Η} \hat{U} \sim W_{Ν} (Μ, (1 + σ_{ε}^{2}) Ι_{Ν})$ 。

由Wishart分布性质可得:

利用式 (14) 可得:

将式 (15) 代入式 (13) 中可得:

3 仿真结果与分析

仿真中, 假设散射物都位于天线阵的远场, 并且信道为准静态瑞利衰落信道;噪声为均值是0, 方差为1的加性高斯白噪声。

图1给出了存在信道估计误差时, 收发天线数对系统信道容量的影响, 其散射角Δ=π/6, 信道估计误差σ $_{ε}^{2}$ =0.01, 发射天线采用ULA, 相邻天线间距d=λ/4。从图中可看出, 由于有了信道估计误差的影响, MIMO系统的平均信道容量随着信噪比的增大逐渐趋于恒定。当发射天线和接收天线数增加时, 系统的平均信道容量是增大的。

图2给出了MIMO信道矩阵满秩时, 信道估计误差大小对系统平均信道容量的影响, 其散射角Δ=π/6, 发射天线采用ULA, 相邻天线间距d=λ/4, M=N=4。从图中可看出, MIMO系统平均信道容量对信道估计误差很敏感。随着信道估计误差的增大, 平均信道容量逐渐减小。当信噪比较小时, 信道估计误差对系统平均信道容量的影响不明显。当信道估计误差一定时, 信噪比增大到一定程度后, 系统的信道容量达到饱和, 再增大信噪比, 信道容量基本保持不变。

4 结论

接收端获取准确的信道状态信息是MIMO系统达到理论信道容量的前提。但是, 信道估计时通常会引入估计误差, 导致系统信道容量的下降。鉴于此, 研究了相关衰落环境中信道估计误差对系统信道容量的影响。在探讨了信道估计误差特点的基础上, 重新构建了MIMO信道的统计模型, 进而推导了当MIMO信道矩阵满秩时, 仅接收端已知信道CSI情况下系统信道容量的下限。

参考文献

[1] HASSIBI B, HOCHWALD B M. How much training is needed in multiple-antenna wireless links?[J]. IEEE Trans. Info. Theory, 2003, 49 (4) : 951-963.

[2]BARK MS, KI M MJ, YOU Y H.Semi-blind channel esti-mation and PAR reduction for MI MO-OFDMsystem withmultiple antennas[J].IEEE Trans.Broadcasting, 2004, 50 (4) :414-424.

[3] YOO T, YOON E, GIKDSMITH A. MIMO capacity with channel uncertainty: does feedback help? [C]//IEEE Proc. of Globecom′04. Dallas, USA: IEEE, 2004: 96-100.

[4]CHEN Y X, TELLAMBURA C.Performance analysis ofmaxi mumratio transmission withi mperfect channel esti ma-tion[J].IEEE Commun.Lett., 2005, 9 (4) :322-324.

[5]GU D, LEUNG C.Performance analysis of transmit diver-sity scheme with i mperfect channel esti mation[J].Electronics Letters, 2003, 39 (4) :402-403.

[6]BALTERSEE J, FOCK G, MEYR H.Achievable rate ofMI MOchannels with data-aided channel esti mation and per-fect interleaving[J].IEEE Select.Areas Commun., 2001, 19 (12) :2358-2368.

[7]SHANKAR M R B, HARI K VS.On the variations in ca-pacity of MI MO communication systems to channel pertur-bations[C]//Proc.2002 IEEE International Conference onPersonal Wireless Communications.New Delhi, India:IEEE, 2002:76-80.

[8]SAMARDZIJA D, .MANDAYAM N.Pilot-assisted esti ma-tion of MI MO fading channel response and achievable datarates[J].IEEE Trans.Signal Processing, 2003, 51 (11) :2882-2889.

[9]YAO Y W, GIANNAKIS G B.Rate-maxi mizing power al-locationin OFDM based on partial channel knowledge[J].IEEE Trans.Wireless Commun., 2005, 4 (3) :1073-1083.

MIMO系统和无线信道容量研究篇4

一、MIMO系统模型

MIMO系统是在天线空时处理技术和分集技术的基础上发展起来的, 是发射端和接收端都使用天线阵列或多天线的通信系统。MIMO系统的结构如图1所示。在发射端, 对信号进行空时编码, 然后从多个天线通道使用同一频段发射出去, 经过无线信道的散射传播, 经过不同的路径到达接收端, 在接收端使用多个天线通道接收, 然后进行空时译码。

二、MIMO系统的信道模型种类

通常可以将信道建模方法分成两大类, 分别是分析模型和物理模型。分析模型是在一定的天线和系统参数下, 同时参考了天线的配置和物理电磁波的传播特性来说明收发天线之间的信道冲激响应。在这种模型之下, 信道的系数在时间和空间上是相关的随机过程, 然而这种相关性是通过计算来定义的。而物理模型主要用来描述收发天线之间电磁波的双向多径传播特性。因为物理信道模型是和特定地理位置密切相关的, 所以可以准确地描述电磁波的多径分量、复振幅, 到达角和离开角。同时物理模型独立于天线的系统带宽和具体的配置。

2.1分析模型

分析模型主要通过数学分析的方法来描述收发天线间的信道冲激响应特性, 而无需明确的电磁波传播的特性。单个冲激响应只包括一个MIMO信道矩阵, 该方法的优势在于引入了信道矩阵, 便于算法验证以及算法研究。分析模型还可以细分为:基于相关法的模型和传播驱动模型。基于相关法的模型特征为MIMO信道矩阵在统计上具有相关性, 常用的基于相关法的信道模型有Weichselberger模型、独立同分布i.i.d模型和Kronecker模型。传播驱动模型则是通过传播的参数获得信道矩阵的, 其中包括虚拟信道实现模型、有限散射体模型和最大熵模型。

2.2物理模型

物理模型主要基于实际环境的测量而建立起来的信道模型。其需要获取详细的信道环境信息, 例如自然界的物体和建筑物的精确分布、位置和大小等等。物理模型实现的方法主要有非几何的随机信道模型、确定性的信道模型和基于几何的随机信道模型。非几何的随机模型根据统计参数描述了电磁波从发射端至接收端的传播路径, 而不用考虑几何的物理环境。确定性的模型基本思想则是若详细的传播环境的信息可以获取, 这样的话, 无线传播就可以看作一个确定的过程;它能确定空间任何一点的各种空时特性。这类的信道模型主要用于小区的规划。基于几何随机模型是根据散射体的具体位置而决定的, 然而散射体具体的位置是由特定的概率分布函数随机产生的。

三、MIMO系统信道容量

3.1信道容量的定义和含义

信道容量的定义是:信道的输入与输出间的最大的平均交互的信息量, 简称为最大互信息, 也就是能被这个信道支持的 (在编码长度意义下) 最大的渐进无差错传输的速率。信道容量代表的是信道在传输信息时的速率最大极限, 是在给定的信道中, 对于不同概率分布下输入的互信息的最大值, 是信道的一个十分重要的特性参数, 与具体信源特性无关。著名的香农公式如下:

3.2Ml M0信道容量的一般性推导

根据信道统计特性, 通常可将容量统计特性分为中断容量和遍历容量。

3.2.1中断容量

如果信道的响应矩阵H在开始之时是随机选取的, 但在整个信道使用时间内都保持不变, 这种信道被称为准静态衰落或者称信道慢衰落信道。因为在准静态的信道响应的条件下, 整个的发送时间之内仅有一个信道响应的矩阵, 所以这种信道就是非遍历的随机过程的, 严格意义来说香农的信道容量该是0。若用中断概率表示系统能达到的某个容量概率, 那么仍可以描述该种信道系统容量, 所以对准静态的信道, 需要加入中断容量的概念。对给定的系统的发送容量R, 则系统中断容量可以定义为:

3.2.2遍历容量

对快衰落信道, 因为在一个长发射码字的周期内它的信道响应是遍历随机的过程 (所以又常叫做遍历信道) , 所以可求随机矩阵H的数学期望值, 得到系统遍历信道的容量。此时容量的定义公式为:

四、MIMO应用及其前景

因为对MIMO所做的研究日益成熟, 最近的许多研究成果表示MIMO技术具有较大的优势, 在3GPP和ITU论坛中已经开始对MIMO进行标准化。将几种技术和MIMO相结合, 可进一步地改进系统的频谱效率、通过量和性能, 这激发了人们极大的兴趣。

到目前看来, 对于蜂窝系统, 仍然没有在商用的系统中采, 用MIM0技术, 除了MISO发分集 (较为简单) 外, 正在部署中的商用系统也没有。Lucent贝尔实验室在2002年12月研发成功了BIAST芯片, Iospan Wireless发明出了应用于固定的无线接入的Airburst系统。

对于3GPP, 基于链路层的模拟, 结合扩频码和VBLAST再用, 已经拥有了一些MIMO技术方面的成果。吞吐量增益 (MIMO所提供) 是在理想的情况下所获得的, 并且对于信道的条件很敏感。MIMO增益的代价就是增加手机和基站的接收机的复杂度, 不同因素, 例如错误的高多普勒频移、信道估计, 天线的相关性等, 都会对理想的系统性能造成影响。

五、总结

MIMO系统借助空间维度和散射环境, 建立了多个并行的空间信道, 在不需要增加发射功率和系统带宽的情况下, 利用无线信道多径传播, 获取分集增益与复用增益, 从而明显地提高无线链路的质量和容量。MIMO作为新一代的宽带无线通信系统的框架技术, 是实现充分地利用空间资源来提高频谱利用率的一个必经途径, 具有巨大的发展前景。

参考文献

[1]樊昌信等.通信原理.北京:国防工业出版社, 1995, 56-60

[2]康桂华.无线MIMO信道的模型容量估计和实现算法研究:[学位论文].杭州:浙江大学, 2004

MIMO信道篇5

智能天线与无线信道仿真

智能天线原名自适应天线阵列 (A A A, Adaptive Antenna Array) 。最初的智能天线技术主要用于雷达、抗干扰通信、定位及军事通信方面等, 完成空间滤波和定位功能。智能天线系统在无线链路的发射端和/或接收端带有多根天线, 为了利用移动无线信道的空间特征, 智能天线系统中的信号都进行了自适应处理。根据信号处理是位于通信链路的发射端还是接收端, 智能天线技术被定义为多入单出 (M I S O, Multiple Input Single Output) 、单入多出 (S I M O, Single Input Multiple Output) 和多入多出 (MIMO, Multiple Input Multiple Output) , 具体结构如图1。其中MIMO技术充分开发了无线信道的空间特性, 利用空间维数可以增加无线网络的容量, 可以在不增加频谱资源和发射功率的情况下, 大幅度地提高频带利用率、系统容量和业务的可靠性。现在, MIMO技术已经被3GPP的高速下行分组接入技术 (H S D P A) 、无线局域网 (W L A N) I E E E 8 0 2.1 1和无线城域网 (WMAN) IEEE802.16标准所采用。

TD-SCDMA作为中国自主开发的标准, 给了中国无线产业链企业一个成长壮大, 追赶西方技术潮流的机遇, 而标准的开发和商用, 离不开出色的测试技术保障。MIMO技术的盛行, 对无线测试提出了新的挑战, 安捷伦中国通信产品中心市场经理M a r i o Narduzzi谈到, B3G时代无线网络测试需要面对的是智能天线为主的多天线技术, 对抗多径问题的同时需要提高信号吞吐量, 特别是MIMO需要对真实信道的场景进行测试, 这其中的难点就在于模拟MIMO测试的场景真实性, 同时MIMO信号的配置也非常重要。要模拟测试场景的真实性, 必然需要高可靠性的无线信道仿真技术。

现有和未来的无线通信系统需要实现高数据率, 高可靠性, 高度稳定的服务质量, 高频谱效率和高速移动性。充分理解无线信道并考虑其特性已经成为无线产品设计中至关紧要的因素。无线系统和产品研发工程师都知道一旦工作与无线信道有关就会变得麻烦起来, 因为信道并不在实验室中, 而且随时间、地点和地理条件变化。信道仿真仪把各类无线信道环境带到工程师的实验室中, 使他们能够考虑多径衰落, 信道相关性, 噪声与干扰等因素带来的影响。因此如今的产品性能测试、一致性测试和同类产品比较测试都需要考虑无线信道的影响, 信道仿真仪市场正在不断增长, 而且其增长率高于测试与测量市场的平均值。这反映了无线通信系统的趋势是越来越复杂的技术综合。

无线通信技术发展迅猛, 信道仿真技术必须发展得更快。一般说来, 信道仿真仪属于测试测量范畴, 其性能必须大大优于被测设备的性能。信道仿真仪结合了多种技术, 如高性能DSP, 高质量的RF设计, 大量的嵌入式软件和友好的人机交互界面等等, 其复杂程度极高。

MIMO信道模型的发展

任何无线通信系统的标准都需要指定一个信道模型作为性能评估和比较的基础, 而该模型必须充分体现出目标应用信道的各种特性。由于MIMO技术优势是建立在空间特性的利用上, 所以MIMO的信道模型必须充分模拟信道的各种空间特性。

在早期MIMO信道模型研究中, 为简化分析, 通常假设天线阵列周围存在大量散射物, 且天线元间距大于半波长, 不同天线的信道衰落是不相关的。在仿真中通常利用3GPP中的TU信道来模拟MIMO信道, 各个TU信道是独立产生, 相互之间独立, 即相关系数为零。

随着M I M O信道研究的发展和趋于成熟, 人们发现随着MIMO信道相关性逐渐增强, MIMO信道的容量将急剧下降。当信道存在相关性时, 早期部分将MIMO技术研究成果应用于无线通信系统中时, 性能将急剧降低甚至于不能正常工作, 而在现实环境中具有相关性或相关性强的MIMO信道环境又大量存在, 所以在MIMO信道的研究中要考虑建立接近实际信道环境的M I M O信道模型。下面简要介绍在3G以及B3G/4G系统中采用的MIMO信道模型。

3GPP在TR25.996中提出的SCM信道模型是为载频2GHz、带宽5MHz系统设计的, 它是基于散射随机假设建立的信道模型, 基本原理是利用通过统计得到的信道特性, 如时延扩展、角度扩展等来得到信道系数并通过在公式中引入天线间距得到信道之间的相关性。主要定义了3种场景, 即市郊宏小区、市区宏小区和市区微小区。在3GPP LTE中采用的也是这种SCM信道模型, 只不过实现方法从原来的基于几何统计法简化成为相关矩阵法。

在未来B3G/4G系统中所采用的SCME信道模型是SCM信道模型的扩展。扩展保持简便性和向后兼容性, 即SCME信道模型要能够向后兼容SCM, 这样就保持了模型的一致性和可比性。信道扩展是因为在I M T-A d v a n c e d系统中带宽扩大到2 0 M H z～100MHz, 所需要的抽样频率也大大提高, 每条链路能分辨的延迟数目也随之增大, SCM模型6条延迟路径不再满足系统的需要。

在MIMO应用领域则有两种不同的建模方式。一种方式是应用于标准的一致性测试中, 采用定义MIMO信道间相关性的方式。另一种方式则是基于几何信息来创建MIMO模型。测试解决方案则要求达到“端到端”, OTA (Over the Air) 和网络级测试将成为未来仿真仪应用发展的主要方向:

1.虽然单链路的测试需求很常见, 但是我们相信未来网络级测试会成为主流。网络级测试是指在实验室中链接真正的基站和终端来测试全网性能。这样对信道仿真仪的挑战就是大量的基站与终端间的链接同时存在。

2.OTA测试是终端测试领域的另一个增长点。传统测试是通过电缆连接终端天线的传导性测试, 而OTA测试中经过衰落的测试信号在暗室中向终端辐射。传导性测试中天线特性完全被忽略, 而在LTE和HSPA中的多天线方案使终端天线占有重要位置, 天线对终端性能影响显著, 但在传导测试中因无法测试, 使终端性能结果准确性受到影响。

新解决方案

精确的, 可重复性的, 节省成本的和易于控制的实验室测试要求越来越接近真实的空中接口环境, 因此需要更真实的信道和无线环境仿真。多天线和MIMO系统仿真中到底需要什么样子的无线信道仿真仪?

来自芬兰的伊莱比特 (Elektrobit, EB) 公司日前推出一个全新信道仿真平台, 用以实现WiMAX、LTE和4G等通信系统的测试。基于这个崭新的平台, 伊莱比特同时推出第一款新产品EB Propsim F8, 通过为现有及未来无线通信系统提供完全的信道仿真, 将信道仿真性能推向更高境界。单台Propsim F8可支持双向70Mhz带宽4x4 MIMO仿真, 或单向125MHz的4x4 MIMO信道仿真。共有32个衰落通道每通道支持24个衰落路程。测试工程师也可以在单台F 8中配置多个MIMO系统来模拟多小区的情形, 例如可以模拟1个双天线的移动终端与2个双天线基站之间的切换通信, 每个链接都可以配置为上下行双向的2x2 MIMO连接, 通过多台该仪器级联能够使仿真信道数目或基站和终端数目倍增, 使无线系统网络级测试成为可能。EB Propsim F8拥有出色RF性能, 频率范围350MHz～6000MHz, 支持125MHz的信号带宽。从EVM这一描述RF性能的典型指标来看, 其EVM在测试64QAM时小于-48dB。

在新仿真平台的开发过程中多天线应用是测试着重考虑的课题之一, E B在现有Propsim C8基础进行了良好的升级。仿真仪要满足多天线测试必须具有足够多的衰落通道, 良好的RF相位与幅度的稳定度和精确度, 高性能DSP和先进的信道建模软件工具。在波束赋形测试中相位稳定度更是关键指标之一, 这是由于波束赋形的原理正是建立在基站端的相位和幅度控制上。波束赋形应用中对无线信道建模也有特殊需求, 典型测试例中需要定义信号从各个特定的角度到达。实际应用中用户也是在网络内移动的, 对于基站来说必须持续地估计用户在网络中的方向并对基站控制软件作必要地调节。E BPropsim F8提供了波束赋形测试中的所有必备因素。

摘要：随着无线技术的发展, 通信容量和多路通信逐渐对无线信道的性能提出更高的要求, 在这样的情况下, 无线信道仿真技术在无线标准开发中扮演了越来越重要的角色, 本文探讨了无线信道仿真技术的最新进展。

关键词：无线信道仿真,MIMO,智能天线,EB

参考文献

[1]赵绍刚.无线通信智能天线技术的未来发展趋势[J].电信技术, 2005.9:35.

[2]薛伟, 王忠.基于实测的无线信道仿真分析[J].中国测试技术, 2008.1:74

[3]Elektrobit.EB Propsim F8Handbook[G].Elektrobit, 2008

[4]杜加懂, 林辉.多天线无线信道仿真与建模方法[J].电信网技术, 2007.11

MIMO信道篇6

MIMO技术由于能够极大地提高无线通信系统容量,目前已经引起了广泛关注[1,2]。通过信道估计可以获取信道状态信息,从而准确的在接收端恢复出传输数据,达到提高MIMO系统性能的目的。因此,设计合理有效的信道估计算法对MIMO系统具有重要的意义。

传统的线性信道估计方法均忽略了信道的稀疏性,导致信道估计的资源利用率不高[3,4]。然而,研究表明,无线信道在信号空间维数较大的情况下往往存在明显的稀疏多径特性[5]。因此,文献[6]利用最近兴起的压缩传感理论,设计了一种用于单载波MIMO系统的压缩采样匹配追踪信道估计算法。该算法与传统的最小二乘估计算法相比,在使用相同长度导频符号的情况下,显著提高了信道估计性能;但由于在迭代过程中忽略了前一步迭代后出现的异常样本继续对当前迭代过程的影响,使得最终的估计准确度仍然不高。针对此问题,本文提出了一种改进的压缩采样匹配追踪算法,有效地降低了异常样本对整个迭代估计过程的影响,提高了算法的估计精度。

1 信道模型与压缩传感理论

1.1稀疏MIMO信道模型

考虑一个MIMO信道矩阵H∈RNr×Nt,其中Nr和Nt分别是接收天线和发射天线的数目。用hij表示第i(1≤i≤Nr)个接收天线和第j(1≤j≤Nt)个发射天线之间的信道脉冲响应,并将接收端的接收信号用矩阵表示为Y∈RNr×1,则等效MIMO系统可以表示为[7,8]:

Y[t]=HX[t]+n[t], (1)

其中,

$Η = [\begin{matrix} h_{11} & h_{12} & \dots & h_{1 Ν_{t}} \\ h_{21} & h_{22} & \dots & h_{2 Ν_{t}} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ h_{Ν_{r} 1} & h_{Ν_{r} 2} & \dots & h_{Ν_{r} Ν_{t}} \end{matrix}], t$

表示一个时间索引量,X∈RNt×1 是发送端发射的一个符号向量,n 为加性高斯白噪声。令hij∈RL×1,若hij中仅包含S(S<<L)个非零抽头,则称hij的稀疏度为S。假定每个天线发送的符号总数为M,其中前Lcp(Lcp≤M)个符号为已知的用于信道估计的训练序列,令t时刻发送端发送的训练序列矩阵为Xp[t]=[X1,X2,…,XLcp]∈RNt×Lcp,则接收端对应Xp[t]的接收信号Yp[t]∈RNr×Lcp为:

Yp[t]=HXp[t]+np[t] , (2)

其中,np[t]∈RNr×Lcp为加性高斯白噪声。根据接收信号Yp[t]可得到第j个天线处的接收信号yj[t]∈R1×Lcp如下:

yj[t]=HjXp[t]+npj[t], (3)

式中,Hj=[hj1hj2 … hjNt]∈R1×Nt,npj[t]为np[t]的第j行。将式(3)两边求转置可以得到:

yp=Φph+ηp, (4)

式中, $y_{p} = {y_{j} [t]}^{Τ}, Φ_{p} = {X_{p} [t]}^{Τ}, h = {Η_{j}}^{Τ}, η_{p} = {n_{p j} [t]}^{Τ}$ ,符号 ${\cdot}^{Τ}$ 表示求转置。

1.2压缩传感

考虑下面的典型线性观测模型,可知:

y=Φθ+η, (5)

其中,y∈RM×1表示观测向量,η∈RM×1是一个噪声或扰动向量,Φ∈RM×N表示一个随机观测矩阵,其作用是在M<<N的特定条件下,可靠地重构出未知向量θ∈RN×1。根据传统的矩阵理论可知,在已知y和Φ的情况下,由于式(5)存在无数个解,无法准确求出θ。然而,最近出现的压缩传感(Compressed Sensing,CS)理论指出,只要θ是K-稀疏的(即θ仅包含K个非零元素,且K<<N),并且满足M≥cKlog(N/K)(c是一个较小的正常数)时,就可以利用一个服从受限等距性质的观测矩阵Φ从观测向量y中以极高的概率精确重构出未知向量θ[9]。研究表明,当Φ服从高斯随机分布时,能够以较高的概率满足受限等距条件[10,11],因此,在进行信道估计时,若选用满足高斯随机分布的序列作为训练序列,即可以方便地应用CS理论中的稀疏信号重构算法来进行信道估计。

2 自适应压缩采样匹配追踪算法

为了进一步提高MIMO系统稀疏信道估计算法的稳健性和有效性,在文献[6]提出的基于压缩采样匹配追踪(Compressive Sampling Matching Pursuit,CoSaMP)估计算法的基础上,通过引入一种自适应加权因子,形成了下面改进的压缩采样匹配追踪(Modified Compressive Sampling Matching Pursuit,MCoSaMP)算法。

2.1自适应加权因子的构建

由于CoSaMP算法在信道估计时,每一步迭代完成后所得的残差向量直接反映了这一步迭代估计的准确性,因此若残差向量中某个元素的值较大,则该元素所对应的观测矩阵中的样本点是异常样本。然而,CoSaMP算法在每步迭代过程中,均是首先利用前一步迭代后的残差向量映射出一个索引集,然后将该索引集与前一步的索引集求并集得到新索引集,最后直接根据新索引集对应的观测矩阵中的样本点进行最小二乘估计来获取新的信道估计值[6,12]。这样,CoSaMP算法总是忽略了前一次残差向量中值较大的元素所对应的异常样本继续对当前估计过程的影响,使得算法的稳健性和最终的估计精度都不高。

令CoSaMP算法在第i-1(i≥2)步迭代后所得到的残差向量为ri-1∈RM×1,则为了在每一步迭代逼近过程中自适应地减小前一步迭代后残差向量中值较大的元素所映射的异常样本的影响,定义了一种自适应加权因子:

$w_{i}^{j} = \frac{1}{| r_{i - 1}^{j} | + ε}$ , (6)

式中,r $_{i - 1}^{j}$ 为ri-1中的第j(1≤j≤M)个元素,ε是在算法运行之前预先设定的一个较小正常数,其保证了当 $| r_{i - 1}^{j} |$ 为0时的加权因子w $_{i}^{j}$ 是有意义的。这样,当 $| r_{i - 1}^{j} |$ 较大时就对应一个较小的w $_{i}^{j}$ 值,反之, $| r_{i - 1}^{j} |$ 较小时则对应一个较大的w $_{i}^{j}$ 值。用ri-1中所有的元素所对应的全部加权因子构建一个自适应加权矩阵如下:

$W_{i} = [\begin{matrix} \frac{1}{| r_{i - 1}^{l} | + ε} & 0 & \dots & 0 \\ 0 & \frac{1}{| r_{i - 1}^{2} | + ε} & \dots & 0 \\ ⋮ & ⋱ & ⋮ \\ 0 & 0 & \frac{1}{| r_{i - 1}^{Μ} | + ε} \end{matrix}]$

。 (7)

此外,令i=1时的加权矩阵为W1=IM。

利用Wi将CoSaMP算法中的最小二乘估计过程改进为自适应加权最小二乘估计。这样,在当前迭代估计时对大残差值所映射的观测矩阵的样本点乘了一个较小加权因子,进而逐步减小了上一步的异常样本继续对当前估计的影响。

2.2MCoSaMP算法描述

输入信息:常量ε,收发天线数目Nr和Nt,发送的满足高斯随机分布的训练序列Φ及相应的接收信号y,稀疏度S,对应的信道模型为式(4)。为了便于以下的描述,假设待估计的信道h∈RN×1,且Φ∈RM×N,y∈RM×1。信道估计流程如下:

设定初始非零抽头的索引集为Ω0=∅,初始残差向量为r0=y,令初始迭代次数i=1;

当i≤4SNrNt时,执行如下步骤:

① 求一个代替量Ti=ΦHri-1,这里ΦH表示Φ的共轭转置矩阵,ri-1∈RM×1表示第i-1步迭代后的残差向量;

② 求解一个包含2SNrNt个元素的索引集Λi=supp(Ti,2SNrNt),这里supp(Ti,2SNrNt)表示Ti中幅度值最大的2SNrNt列对应的索引值组成的集合;

③ 更新索引集:Ωi=Ωi-1∪Λi;

④ 若i=1,设定加权矩阵Wi=IM;否则当i>1时,令:

$W_{i} = [\begin{matrix} \frac{1}{| r_{i - 1}^{1} | + ε} & 0 & \dots & 0 \\ 0 & \frac{1}{| r_{i - 1}^{2} | + ε} & \dots & 0 \\ ⋮ & ⋱ & ⋮ \\ 0 & 0 & \frac{1}{| r_{i - 1}^{Μ} | + ε} \end{matrix}]$

式中,r $_{i - 1}^{j}$ 表示残差向量ri-1的第j(1≤j≤M<<N)个元素,ε为输入常量。利用Wi进行加权最小二乘估计得到在索引集Ωi内的一个新的估计值为:

$\hat{h}_{Ω^{i}} = (Φ_{Ω^{i}}^{Η} W_{i} Φ_{Ω^{i}})^{- 1} Φ_{Ω^{i}}^{Η} W_{i} y$ ,

式中,ΦΩi表示在索引集Ωi内的位置对应的Φ的元素保持不变,Φ中其他位置的元素设置为0,ΦHΩi为ΦΩi的共轭转置;

⑤ 保留 $\hat{h}_{Ω^{i}}$ 中最大的SNrNt个值,并将其余的非零值设置为0,这样便得到第i步迭代后信道h的估计值:

$\overset{⌢}{h}_{i} = {\hat{h}_{Ω^{i}}}_{s Ν_{r} Ν_{t}}$ ,

式中, ${\hat{h}_{Ω^{i}}}_{s Ν_{r} Ν_{t}}$ 表示取 $\hat{h}_{Ω^{i}}$ 中最大的SNrNt个值;

⑥ 更新残差值: $r_{i} = y - Φ \hat{h}_{i}$ ;

⑦ i=i+1,并返回开始处,进行条件判断。

输出最终的信道估计值,即: $\overset{⌢}{h} = \overset{⌢}{h}_{i}$ 。

3 仿真结果与性能分析

通过MATLAB软件仿真,得出本文提出的MCoSaMP算法的性能,并与CoSaMP算法及传统的最小二乘(Least Squares,LS)算法进行了比较。为了验证本文算法的有效性,分别比较了在不同条件下3种算法进行MIMO稀疏信道估计的均方误差(Mean Square Error,MSE)。其中, $\hat{h}$ 的MSE定义为:

$Μ S E (\hat{h}) = 1 / (Ν u m * L) \sum_{n = 1}^{Ν u m} ∥ \hat{h} - \overset{⌢}{h}_{n} ∥_{2}^{2}$ , (8)

式中,h和hn分别表示信道向量的真实值和其在第n次仿真后的估计值,Num为蒙特卡洛仿真次数,L为信道长度。由式(8)可知,MSE越小,算法估计的精度越高。仿真过程中设定Num=5 000,L=30,ε=10-8,MIMO系统的天线配置为2×2;并假设各天线之间的信道是均值为0、方差为1的复高斯随机信道,每个天线发送的符号总数为M=1 024。

3种算法在进行信道估计时MSE随信噪比变化的情况如图1所示。其中,非零抽头数S设定为6,信噪比范围设定为0～30 dB。令训练序列长度分别取值为25和50。当训练序列长度和信噪比相等时,本文算法比CoSaMP算法的估计精度明显要高,且这2种算法的估计精度均远远高于LS算法。

当信噪比为10 dB,3种算法进行信道估计时MSE随h中非零抽头数S的变化情况,如图2所示。这里,训练序列长度均为50,且S的变化范围为1～8。当信噪比和训练序列长度相等时,随非零抽头数增加,传统的LS算法由于没有利用MIMO信道的稀疏性,估计精度几乎不变;而本文算法与CoSaMP算法的估计精度均逐渐降低,但整个变化过程中本文算法的性能均明显优于CoSaMP算法和LS算法。

4结束语

为了提高MIMO稀疏信道的估计效率,利用压缩传感理论设计了一种MCoSaMP算法。新算法在已有的CoSaMP算法基础上,利用一种自适应加权因子来逐步减小迭代过程中异常样本对估计结果的影响。仿真分析表明,本文算法比CoSaMP算法对MIMO稀疏信道具有更好的估计性能,同时明显优于传统的LS算法。因此,在估计精度要求较高且系统用于发送额外训练序列的资源有限时,本文算法具有较高的实际意义。

摘要：针对单载波多输入多输出(Multiple Input Multiple Output,MIMO)系统中的稀疏信道估计问题,基于压缩传感(Compressed Sensing,CS)理论,提出了一种改进的压缩采样匹配追踪(Modified Compressive Sampling Matching Pursuit,MCoSaMP)算法。新算法在现有的压缩采样匹配追踪算法的基础上,通过前一步迭代的残差设计了一种自适应加权因子,利用该加权因子进行加权最小二乘估计,逐步减小了异常样本对当前估计的影响。仿真结果表明,在使用相同长度的训练序列时,新算法与现有的基于压缩采样匹配追踪的估计算法相比,在估计精度上有明显提高。

关键词：MIMO,稀疏,压缩传感,信道估计

参考文献

[1]CHEN Y S.Semiblind Channel Estimation for MIMO Single Carrier with Frequency-domain Equalization Sys-tems[J].IEEE Transactions on Vehicular Technology,2010,59(1):53-62.

[2]李元杰,杨绿溪,何振亚.基于训练序列的MIMO信道估计[J].通信学报,2006,27(5):1-5.

[3]肖小潮,郑宝玉,王臣昊.一种基于最优观测矩阵的自适应贝叶斯压缩信道感知联合机制[J].电子与信息学报,2012,34(10):2299-2305.

[4]于华楠,郭树旭.基于压缩传感的MIMO-OFDM水声通信信道估计算法[J].系统工程与电子技术,2012,34(6):1252-1257.

[5]BAJWA W U,HAUPT J,SAYEED A M,et al.Com-pressed Channel Sensing:A New Approach to Estimating Sparse Multipath Channels[J].Proceedings of the IEEE,2010,98(6):1058-1076.

[6]王妮娜,桂冠,张治,等.基于压缩感知的MIMO系统稀疏信道估计[J].应用科学学报,2011,29(4):347-352.

[7]KNIEVEL C,HOEHER P A.On particle swarm optimiza-tion for MIMO channel estimation[J].Journal of Electri-cal and Computer Engineering,2012,2012(9):1-10.

[8]BIGUESH M,GERSHMAN A B.Training-based MIMO Channel Estimation:A Study of Estimator Tradeoffs and Optimal Training Signals[J].IEEE Transactions on Signal Processing,2006,54(3):884-893.

[9]CANDES E,ROMBERG J,TAO T.Robust Uncertainty Principles:Exact Signal Reconstruction from Highly In-complete Frequency Information[J].IEEE Transactions on Information Theory,2006,52(2):489-509.

[10]PAREDES J L,ARCE G R,WANG Z.Ultra-wideband Compressed Sensing:Channel Estimation[J].IEEE Jour-nal of Selected Topics in Signal Processing,2007,1(3):383-395.

[11]TROPP J A,GILBERT A C.Signal Recovery from Random Measurements via Orthogonal Matching Pursuit[J].IEEE Transactions on Information Theory,2007,53(12):4655-4666.

MIMO信道篇7

作为第四代移动通信系统关键技术之一, MIMO-OFDM技术将OFDM与空时编码技术有机的结合在一起, 这样大大的提高了无线通信中的信道容量和传输效。MIMO-OFDM系统的接收机需要准确的信道参数来进行分集合并、相干检测和解码, 因此, 信道估计的准确性十分关键。本文提出了一种改进的基于DFT的信道估计算法, 算法首先估计出噪声方差, 然后利用噪声方差和多径幅度值的平均值来设定一个门限, 通过此门限对循环前缀内的信道时域冲击响应值进行阈值, 进一步消除噪声的干扰。

1 MIMO-OFDM系统模型

MIMO-OFDM系统采用NT个发射天线、NR个接收天线, n个OFDM符号, N个子载波的OFDM系统。发射的符号向量这里表示第个发射天线的发射符号, 该符号表示第n个OFDM符号, 子载波为k。n个OFDM符号向量是发射的符号向量经过IFFT变换得到的, 加上长度为LCP的循环前缀后表示为:

因此每个OFDM符号的长度为

MIMO-OFDM系统建模为:

接收到的数据表示为:

上式中的⊗代表卷积, w n (m) 代表独立同分布的高斯白噪声 (AWGN) , 其均值为0, 方差为

对公式 (2) 进行FFT变换可以得到频域表达式:

是接收的信号傅立叶变换, 是信道频域相应, 是发射信号的傅立叶变换, 是频域里加性高斯白噪声, 均值为0, 方差为

接收端检测方法为:

(⋅) H为矩阵的共轭转置

2 信道估计算法

2.1 基本的DFT算法