[發明專利]大規模MIMO中基于波束空間轉換的散射信源定位方法

有效

• 申請號: 201410279745.6
• 申請日: 2014-06-20
• 公開（公告）號: CN104023395B
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 呂鐵軍;胡安中
• 申請（專利權）人: 北京郵電大學
• 主分類號: H04W64/00
• 分類號: H04W64/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種用于大規模MIMO中的散射信源定位方法，確切地說，是一種估計散射信源的中心波達角(DOA)和角度擴展的方法，屬于無線通信技術領域。

背景技術

在蜂窩移動通信系統中，數據傳輸的需求不斷增長，增加天線數量可以有效提高系統的頻譜效率。最近，人們發現大規模MIMO系統可以提供極高的頻譜效率。在大規模多用戶MIMO系統中，基站配置了一百或者幾百根天線，同時服務幾十個用戶。當陣列的天線間距較小或者信號的角度擴展較小時，基站天線的接收信號間存在相關性。此時，可以采用波束形成技術獲得方向性天線增益。波束形成技術需要用戶的位置信息，即用戶信號的DOA估計。散射信源的信號經過多徑反射到達基站。因為每條徑的DOA各不相同，且一般服從高斯分布，所以定位散射信源就是估計DOA分布的均值和方差，對應的就是散射信源的中心DOA和角度擴展。在大規模MIMO系統中，因為基站計算負擔很重且現有方法計算復雜度高，所以降低定位方法的計算復雜度才能使其工程應用。

在大規模MIMO系統中，計算復雜度是一個至關重要的實現問題。現有的估計方法中，最大似然(ML)、近似最大似然(AML)和協方差匹配估計技術(COMET)具有最優或者漸進最優的性能。然而，這些方法因為計算復雜度太高而難以實際采用，尤其是在大規模MIMO系統。通過采用簡化的系統模型，這些基于ML和COMET方法的復雜度可以大大降低，但是這些改進方法局限于單信源場景。

另一方面，多重信號分類(MUSIC)和波束形成方法可以用于散射信源的DOA估計，并且，這些方法的計算復雜度要比基于ML和COMET方法的低。然而，這些方法還是需要搜索二維中心DOA和角度擴展來獲得它們的估計，其計算復雜度仍然很高。另一方面，借助旋轉不變技術的信號參數估計(ESPRIT)也可以用于角度參數估計，并且只需要搜索一維的中心DOA以獲得相應的估計。因此，這個方法的計算復雜度比上述其它方法的計算復雜度低。然而，其計算復雜度仍然和基站天線數的立方成正比。

針對現有方法的計算復雜度問題，本發明提出了一種低復雜度的散射信源定位方法。

發明內容

有鑒于此，本發明的目的是提供一種在大規模MIMO系統中利用波束空間轉換進行低復雜度定位的方法，即一種在大規模MIMO系統中，利用波束空間轉換來估計中心DOA和角度擴展的低復雜度方法。本發明方法利用了大規模MIMO信號的波束空間轉換信息損失少的特點，利用波束形成向量把接收信號向量轉換到波束空間。當接收信號轉換到波束空間后，接收信號向量的維度大大減小。因此，所提方法從根本上降低了計算的復雜度。同時，波束空間轉換帶來的誤差非常小。并且，本發明方法提出了一個估計中心方位DOA的準則，提高了估計性能。

為了達到上述目的，本發明提供了一種大規模MIMO系統中基于波束空間轉換的散射信源定位方法，用于下述場景：包括一個基站和多個用戶的通信系統，在一段時間內所有用戶向基站發射信號；基站大規模天線陣列為均勻圓柱陣。其特征在于：所述方法包括下列兩個操作步驟：

(1)信號預處理階段：用波束形成向量把接收到的用戶信號向量轉換為較低維度的向量，即波束空間轉換，并計算轉換后向量的樣本協方差矩陣。所提信號預處理方法的具體步驟如下：

(11)單個圓陣接收到的信號向量與波束形成向量相乘獲得波束空間的信號向量，把不同圓陣多個這樣的向量組合來獲得圓柱陣的波束空間信號向量。

(12)對不同時隙的圓柱陣的波束空間信號向量的自相關矩陣求平均，獲得圓柱陣的樣本協方差矩陣，并被作為信號協方差矩陣的估計。

基站天線數越大，波束空間轉換帶來的誤差就越小，利用波束空間向量估計角度參數的精度就越高。因此，在大規模MIMO系統中，波束空間轉換幾乎不會帶來估計精度的損失。同時，波束空間的信號向量的維度比原信號向量的維度降低很多，從而降低了計算復雜度。具體而言，波束空間轉換的計算復雜度與基站天線數成正比，相比之下，利用波束空間信號向量估計中心DOA和角度擴展的計算復雜度幾乎可以忽略。因此，所提方法的計算復雜度僅與基站天線數成正比，從根本上降低了散射信源定位的計算復雜度。

(2)估計階段：由樣本協方差矩陣獲得信號子空間和噪聲子空間，利用信號子空間各部分之間的線性關系以及陣列流形和噪聲子空間之間的正交關系估計用戶位置。所提估計方法的具體步驟如下：

(21)計算圓柱陣的樣本協方差矩陣的特征值分解，獲得圓柱陣的信號子空間，并將其分解為各圓陣的信號子空間。接著，由這些信號子空間估計它們之間的線性轉換矩陣。