阅读说明：本技术 大规模mimo中继系统中一种联合信息估计方法 (Joint information estimation method in large-scale MIMO relay system ) 是由 杜建和 韩梦 金立标 张鹏 于 2019-10-14 设计创作，主要内容包括：本发明涉及大规模MIMO中继系统中一种联合信息估计方法。针对多用户大规模MIMO中继系统,主要解决现有算法信号与信道估计精度较低的问题。其实现步骤为：1)建立多用户大规模MIMO中继系统模型；2)通信过程分为MAC和BC两个阶段；3)将用户端的接收信号构造为Tucker2-PARAFAC张量模型；4)利用迭代的ALS算法拟合Tucker2-PARAFAC张量模型,联合估计出信号和信道。本发明适用于时分双工和频分双工信道,且与导频辅助估计算法相比,本发明无须发送导频序列即可实现更高精度的信号和信道估计。(The invention relates to a joint information estimation method in a large-scale MIMO relay system. Aiming at a multi-user large-scale MIMO relay system, the method mainly solves the problem that the existing algorithm has low signal and channel estimation precision. The method comprises the following implementation steps: 1) establishing a multi-user large-scale MIMO relay system model; 2) the communication process is divided into two stages of MAC and BC; 3) constructing a receiving signal of a user side into a Tucker2-PARAFAC tensor model; 4) and fitting a Tucker2-PARAFAC tensor model by using an iterative ALS algorithm, and jointly estimating a signal and a channel. The invention is suitable for time division duplex and frequency division duplex channels, and compared with a pilot frequency auxiliary estimation algorithm, the invention can realize higher-precision signal and channel estimation without sending a pilot frequency sequence.)

大规模MIMO中继系统中一种联合信息估计方法

技术领域

本发明涉及无线通信技术领域，特别涉及大规模MIMO中继系统中一种联合信息估计方法。

背景技术

MIMO技术是4G中的一项关键技术。它充分利用了空间多径传播特性，在有限的时频资源下对空间域进行扩展，大幅提高了通信系统的频谱效率和信道容量。随着5G时代的到来，用户数目和信息传输速率显著增长，对空间域进一步扩展的需求更加迫切。大规模MIMO技术使用数百个天线同时服务于同一频率资源中的多个用户，大规模的天线阵列将天线辐射能量集中在很窄的波束中以增强接收信号的强度，使得基站能够精确分辨每一个用户，提高了大规模MIMO系统的空间分辨率。相比于传统MIMO技术，大规模MIMO技术具有更强的抵御噪声能力和更高的链路稳定性，并能显著提高无线通信系统的数据传输速率和能量效率，大幅提高了整个通信系统的性能，因此已经成为5G中一项很有发展前景的技术。

协作通信技术充分利用了无线媒质的广播特性，在不增加系统复杂度的条件下不仅降低了终端的功耗并节省了带宽，还提高了整个通信系统的频谱效率、容量和吞吐率。另外，多个用户通过中继进行信息交换，可以减少路径损失的影响。因此，中继与大规模MIMO技术的结合可以进一步提高通信系统的性能，现已成为当前学术界和业界的研究热点之一。

在协作通信领域，已经广泛研究了双向中继，即两个用户在一个共享中继网络的帮助下交换消息。多向中继是双向中继的延伸，它可以使位于地理位置分离的多个用户通过中继在相同的时频资源上进行可靠地通信。多向中继网络比双向和单向中继网络具有更高的频谱效率，引起了人们的广泛关注。

在无线通信系统中利用张量建模，可以同时受益于多种分集，并在比传统的基于矩阵的方法更宽松的模型可辨识性条件下，实现多用户信号分离/均衡和信道估计。

发明内容

发明目的：本发明结合现有技术，提出大规模MIMO中继系统中一种联合信息估计方法，以更精确地联合估计出信号与信道信息。

技术方案：本发明所述的大规模MIMO中继系统中一种联合信息估计方法包括：

建立多用户大规模MIMO中继系统模型；

通信过程分为MAC和BC两个阶段；

将用户端的接收信号构造为Tucker2-PARAFAC张量模型；

利用迭代的ALS算法拟合Tucker2-PARAFAC张量模型，联合估计出信号和信道。

进一步的，建立多用户大规模MIMO中继系统模型，具体包括：

假设该协作通信系统中的所有节点都工作在半双工模式，即无法实现信号的同时收发，另外，由于阴影效应和多径衰落等的影响，假设用户之间相互没有直接链路，只能通过中继进行信息交换，一共有Q个用户。

所有信道均遵循独立同分布的瑞利衰落：

和

分别代表用户q至中继以及中继至用户q的信道矩阵，其元素分别服从和分布，其中

和

为大尺度衰落系数，q＝1,...,Q。

进一步的，通信过程分为MAC和BC两个阶段，包括：

整个传输协议共有P个传输子过程，每个子过程分为两个阶段，即MAC和BC阶段：

在第p个传输子过程的MAC阶段，用户q首先利用三维编码矩阵

对所发信号

进行编码，然后将其发送给中继，中继接收信号为：

其中，

为包含了所有Q个用户所发信号的信息符号矩阵，

为均值为0方差为1的复高斯噪声；

在第p个传输子过程的BC阶段，中继将接收的信号经K个时间子块的放大转发，广播给所有用户，用户l接收的信号可表示为：

为包含了所有时间子块的AF系数的放大矩阵，

为均值为0方差为1的复高斯噪声，k＝1,...,K。

进一步的，将用户端的接收信号构造为Tucker2-PARAFAC张量模型，包括：

定义：

则

其中，

bd[·]为块对角化算子。

定义：

则

其中，

和

即为所构造的Tucker2-PARAFAC张量模型。

进一步的，利用迭代的ALS算法拟合Tucker2-PARAFAC张量模型，联合估计出信号和信道，包括：

根据

和

所示的Tucker2-PARAFAC张量模型，利用ALS算法迭代更新S和H^(l)，具体步骤总结如下：

步骤(1)：初始化：令it＝0，初始化

步骤(2)：it＝it+1；

步骤(3)：由

计算得S的LS估计：

步骤(4)：由

计算得H^(l)的LS估计：

步骤(5)：计算

如果|φ(it)-φ(it-1)|/φ(it)≤δ_th，则迭代结束，否则重复步骤(2)～(5)直至算法收敛；

由于存在尺度模糊，在实际通信系统中设置

进而可得无模糊的估计

所以

根据

利用PARAFAC分解的特性可得如下切片形式：

根据H^(l)和H^(l)'所示的PARAFAC模型，利用ALS算法迭代更新H和

具体步骤总结如下：

步骤(1)：初始化：令it＝0，初始化

步骤(2)：it＝it+1；

步骤(3)：由H^(l)计算得H的LS估计：

步骤(4)：由H^(l)'计算得

的LS估计：

步骤(5)：计算

如果|φ(it)-φ(it-1)|/φ(it)≤δ_th，则迭代结束，否则重复步骤(2)～(5)直至算法收敛；

由于存在尺度模糊，在实际通信系统中设置进而可得无模糊的估计

和

有益效果：与现有技术相比，其主要优点在于：本发明适用于时分双工和频分双工信道，且与导频辅助估计算法相比，本发明无须发送导频序列即可实现更高精度的信号和信道估计。

附图说明

图1为本发明的信号和信道估计方法流程图；

图2为本发明的多用户大规模MIMO中继系统示意图；

图3为本发明在不同N、K和P情况下的信号检测性能对比图；

图4为本发明在不同N、K和P情况下的信道估计性能对比图；

图5为本发明与导频辅助估计算法的信道估计性能对比图。

具体实施方式

为使本发明的特点和优势更加明显易懂，下面结合附图对本发明进行详细说明。

图2为本发明的多用户大规模MIMO中继系统示意图，如图2所示的多用户大规模MIMO中继系统，其包含Q个具有M_S根天线的用户和一个具有M_R根天线的中继。由于阴影效应和多径衰落等的影响，假设用户之间相互没有直接链路，只能通过中继进行信息交换。

实施实例一

请参见图3，图3为本发明在不同N、K和P情况下的信号检测性能对比图。系统参数为：用户数目Q＝8，用户端天线数M_S＝2，中继端天线数M_R＝32，数据流数R＝2，δ_th＝1×10^-4。图3表明，1)随着SNR的增加，所提方法的BER减小，即本发明能有效地进行信号检测。2)随着N、K和P的增加，所提方法的BER减小，表明本发明具有优良的信号检测能力。3)N的增加不会降低数据传输速率，K和P的增加提高了编码增益，因此本发明可根据具体的性能要求灵活地选择合适的系统参数。

实施实例二

请参见图4，图4为本发明在不同N、K和P情况下的信道估计性能对比图。系统参数为：用户数目Q＝8，用户端天线数M_S＝2，中继端天线数M_R＝32，数据流数R＝2，δ_th＝1×10^-4。图4表明，1)随着SNR的增加，所提方法的和NMSE(H)值减小，即本发明能有效地进行信道估计。2)随着N、K和P的增加，所提方法的

和NMSE(H)值减小，表明本发明具有优良的信道估计能力。3)N的增加不会降低数据传输速率，K和P的增加提高了编码增益，因此本发明可根据具体的性能要求灵活地选择合适的系统参数。

实施实例三

请参见图5，图5为本发明与导频辅助估计算法的信道估计性能对比图。系统参数为：用户数目Q＝8，用户端天线数M_S＝2，中继端天线数M_R＝32，数据流数R＝2，δ_th＝1×10^-4，N＝20，K＝32，P＝16，用户所发导频序列长度L_S＝Q*M_S＝16，中继所发导频序列长度L_R＝M_R＝32。其中，PA-LS代表导频辅助LS估计算法，PA-BALS代表基于PARAFAC模型的导频辅助BALS估计算法，TP-ALS代表本发明所提算法。图5表明，1)本发明无须发送导频序列，即可实现精确的信道估计。2)与PA-LS和PA-BALS算法相比，本发明具有更高的信道估计性能。

另外，以上实施实例都是以频分双工信道为例，时分双工信道由于具有互易性，其信号检测和信道估计过程更加简单。

综上，本发明对于多用户大规模MIMO中继系统的联合信号与信道估计，将用户端的接收信号构造为Tucker2-PARAFAC张量模型，利用迭代的ALS算法拟合该模型，联合估计出信号和信道矩阵，其适用于时分双工和频分双工信道，且与导频辅助估计算法相比，本发明无须发送导频序列即可实现更高精度的信号和信道估计。

以上实施实例的说明仅为帮助理解本发明的方法和其主要思想。本说明书的内容不能以此来限定本发明的权利范围，因此，本发明的保护范围应以所附权利要求为准。