基于非均匀导频的信道预测吞吐量优化方法

摘要

一种基于非均匀导频的信道预测吞吐量优化方法，通过采用非均匀的时域或频域导频思想，利用多种信道预测算法相结合，实现非均匀导频间隔处理，获得更高的模型参数分辨率并进行信道预测，实现通信时数据传输性能的提升，即吞吐量损失的减小。

权利要求

1.一种基于非均匀导频的信道预测吞吐量优化方法，其特征在于，具体包括：

步骤1：输入y为时域上大小为N×1原信号，得到y的非均匀的压缩观测信号S＝φy，其中：S的大小为M×1，φ为大小为M×N的测量矩阵，通过对此测量矩阵的设定获得非均匀导频S；

H

步骤2：令ψ是变换矩阵，K稀疏的x＝ψy，将观测矩阵转换为S＝Tx，其中T＝φψ是大小为M×N的传感矩阵；

步骤3：采用基于贪婪追踪的正交匹配追踪算法对压缩观测信号S进行信号恢复，获得步骤2中稀疏的参数x，此处即角度参数Ω，并将角度Ω转换为真实的频率步骤4：用OMP方法恢复出信号频率之后，采用正则化最小二乘方法恢复信号幅度，其中W为样本矩阵，步骤5：将步骤3中获得的频率参数 与步骤4中获得的幅度参数 带入信道模型中，进行信号恢复。

2.根据权利要求1所述的基于非均匀导频的信道预测吞吐量优化方法，其特征是，所述的非均匀导频是指：时间或频率导频间隔为大小不一的数组且数组中最小与最大值之间设有间隔。

3.根据权利要求1所述的基于非均匀导频的信道预测吞吐量优化方法，其特征是，所述的传感矩阵T满足有限等距性质，具体为： 其中：0<δ<1；

该传感矩阵为随机高斯矩阵或部分傅里叶矩阵。

4.根据权利要求1或3所述的基于非均匀导频的信道预测吞吐量优化方法，其特征是，采用部分傅里叶矩阵作为传感矩阵，当信号在多普勒域是稀疏时，传感矩阵T中的变换矩阵ψ为N×N的DFT矩阵，通过选择矩阵 随机地选择ψ中的K行得以实现，通过修改与确定选择矩阵Φ的值实现非均匀导频导频点分布设置。

5.根据权利要求2所述的基于非均匀导频的信道预测吞吐量优化方法，其特征是，对于时域非均匀导频，在时间上，导频点之间的间隔并非固定，而是大小不一，其大小按顺序排列或者随机分布，显示出来的时间上导频点是非均匀分布的，此时频率仍是均匀分布，即频率上导频间隔固定不变；

对于时频域非均匀导频，即同时在时域非均匀的基础上对频域进行非均匀设置，实现时频域非均匀。

6.根据权利要求5所述的基于非均匀导频的信道预测吞吐量优化方法，其特征是，对于时频域非均匀导频，分别对时频域进行处理，降低时频域导频的最小间隔，从而在时间频率域提高参数的分辨率。

说明书

基于非均匀导频的信道预测吞吐量优化方法

技术领域

[0001] 本发明涉及一种通信领域的技术，具体涉及一种基于时域频域非均匀导频的信道预测吞吐量优化方法。

背景技术

[0002] 在大规模多输入多输出(MIMO)无线通信系统中，获得准确的信道状态信息(CSI)对于保证无线链路的性能至关重要。CSI可以表示当信号从发射机传播到其相应的接收机时，路径损耗、散射、衍射、衰落、阴影等的组合效应。然而，随着基站处天线数量的增加，将存在导致CSI不准确的处理或计算延迟。CSI在学习时和用于波束形成时的失配被称为“信道老化”，这种失配会导致MIMO系统的吞吐量性能显著下降，而信道预测被认为是缓解此性能下降的有效技术。

[0003] 信道预测的主流方法是先预测未来时刻导频符号处的CSI，再通过插值方法将中间非导频符号的CSI补全。对于非导频符号的CSI预测技术，有比较经典的低通或者带通插值算法。传统低通插值算法可以在速度较低时比较好地补全非导频符号的CSI，但当速度较高时，由于奈奎斯特采样定理的限制，导频间隔不能满足两倍于最大多普勒频率的条件，因此无法恢复一个发生混叠的多普勒谱。而带通插值算法较适用于高速场景，因为高速情况下主要能量集中在一定带宽内，可以近似将其看作带通信号进行带通差值。

[0004] 但是在实际信道中，信号很难完美地符合低通或带通信号的前提条件，并且在用户移动过程中，多普勒谱虽是慢变的，但长时间观测的话，信号的截止频率及中心频率都有可能发生变化，从而对低通或带通插值的性能产生影响。除此之外，为了确定低通插值算法中的截止频率参数和带通算法中的截止频率以及中心频率参数，需要多普勒谱的先验知识，然而在实际操作中，要获得多普勒谱的先验信息意味着更大的开销，并且谱的幅度信息是无法知道的。

[0005] 因此，对于高速场景下的信道预测，低通和带通插值算法均存在缺陷，无法处理非带通多普勒谱，为此引入压缩感知处理更一般情况的多普勒谱感知问题，将低速场景下的SRS预测和非SRS插值合二为一。在进行在相同导频开销的前提下，通过时域频域非均匀导频的设计思想，利用多用于图像处理的压缩感知技术，得到更准确的信道预测性能与更大的吞吐量是一个信道预测新思路。

发明内容

[0006] 本发明针对现有技术无法在高速情况下如何进行更准确的信道预测的问题，提出一种基于非均匀导频的信道预测吞吐量优化方法，通过采用非均匀的时域或频域导频思想，利用多种信道预测算法相结合，实现非均匀导频间隔处理，获得更高的模型参数分辨率并进行信道预测，实现通信时数据传输性能的提升，即吞吐量损失的减小。

[0007] 本发明是通过以下技术方案实现的：

[0008] 本发明涉及一种基于非均匀导频的信道预测吞吐量优化方法，具体包括：

[0009] 步骤1：输入y为时域上大小为N×1原信号，得到y的非均匀的压缩观测信号S＝φy，其中：S的大小为M×1，φ为大小为M×N的测量矩阵，通过对此测量矩阵的设定获得非均匀导频S。

[0010] 所述的非均匀导频是指：时间或频率导频间隔为大小不一的数组。

[0011] 所述的数组采用但不限于有一定变化规律或随机分布。

[0012] 所述的数组中最小与最大值之间优选设有间隔。

[0013] 步骤2：因通常y在时域上是不稀疏的，在多普勒域上稀疏，令ψ是变换矩阵，K稀疏H的x＝ψy，将观测矩阵转换为S＝Tx，其中T＝φψ是大小为M×N的传感矩阵。

[0014] 步骤3：采用压缩感知中复杂度较低的基于贪婪追踪的正交匹配追踪(OMP)算法对压缩观测信号S进行信号恢复，获得步骤2中稀疏的参数x，此处即角度参数Ω，并将角度Ω转换为真实的频率

[0015] 步骤4：用OMP方法恢复出信号频率之后，采用正则化最小二乘(RLS)的方法恢复信号幅度， 其中W为样本矩阵，

[0016] 步骤5：将步骤3中获得的频率参数 与步骤4中获得的幅度参数 带入信道模型中，进行信号恢复。

[0017] 技术效果

[0018] 本发明以基于非均匀导频设置信道预测方法，整体改善在高移动性场景下在占有相同导频资源、相同通信条件下的高速情况下的信道预测性能。

附图说明

[0019] 图1为均匀导频与非均匀导频示意图；

[0020] 图2为时域频域均匀导频、时域非均匀导频、频域非均匀导频与时域频域非均匀导频示意图；

[0021] 图中：横轴是时域，纵轴是频域；

[0022] 图3为本发明流程图；

[0023] 图4为时域非均匀导频与均匀导频的信道预测吞吐量示意图；

[0024] 图中：对比的burg算法的平均吞吐量损失为36.62％，时域非均匀导频的平均吞吐量损失为23.75％；

[0025] 图5为时域与频域非均匀导频与均匀导频的信道预测吞吐量示意图；

[0026] 图中：对比的burg算法的平均吞吐量损失为42.07％，时域频域非均匀导频的平均吞吐量损失为37.48％。

具体实施方式

[0027] 本实施例实现场景为高速场景下的MIMO信道：即发射端为矩形天线阵列，接收端为均匀线性阵列的多天线系统，通过采用物理意义上的非均匀的时域或频域导频，利用信道预测算法，具体为正交匹配追踪(OMP)算法与正则化最小二乘(RLS)算法的组合，获得更高的模型参数分辨率，实现通信时数据传输时吞吐量损失的减小。

[0028] 如图3所示，本实施例具体包括以下步骤：

[0029] 步骤1、输入y为时域上大小为N×1原信号，得到y的压缩观测信号S＝φy，其中：S的大小为M×1，φ为大小为M×N的测量矩阵，通过对此测量矩阵的设定来获得非均匀的压缩观测信号S，即非均匀导频。

[0030] 步骤2、通常y不是稀疏的，但在某个变换域是稀疏的，令ψ是变换矩阵，其大小为N×N，即x＝ψy，其中x为K稀疏的，即x中只有K个非零项。进而y的压缩观测信号简化为S＝Tx，H其中：T＝φψ是大小为M×N的传感矩阵，x为K稀疏阵列，即x中只有K个非零项，x＝ψy，ψ是大小为N×N的变换矩阵。

[0031] 所述的传感矩阵T需要满足有限等距性质(RIP)才能以较高概率恢复x，具体为：其中：0<δ<1。

[0032] 优选该传感矩阵为随机高斯矩阵、部分傅里叶矩阵(PFM)等。在一些高速场景中，由于导频点的密度限制，无法应用随机高斯矩阵(高斯矩阵需要获得所有符号的CSI信息)，所以常常选择部分傅里叶矩阵作为传感矩阵，当在应用场景中，信号在多普勒域是稀疏的，因此传感矩阵T中的变换矩阵ψ为N×N的DFT矩阵，通过选择矩阵 随机地选择ψ中的K行得以实现。由前面所述的y导频即压缩观测信号为S＝φy可知，通过修改与确定选择矩阵Φ的值便可以实现非均匀导频导频点分布设置。

[0033] 所述的选择矩阵在实际应用场景中表示为导频的分布是非均匀的，此非均匀导频的分布情况可以通过修改选择矩阵进行设置，具体是指：对于时域非均匀导频，在时间上，导频点之间的间隔并非固定，而是大小不一，其大小可以按一定的顺序排列或者随机分布，显示出来的时间上导频点是非均匀分布的，此时频率仍是均匀分布，即频率上导频间隔固定不变，其示意图如图2右上角所示，其性能验证结果如图4所示。

[0034] 除了上述的时域非均匀导频之外，类似地，在频域也可以进行非均匀导频设置，与时域非均匀导频设置是相似的做法，即同时在时域非均匀的基础上对频域进行非均匀设置，实现时频域非均匀，此时需要分别对时频域进行处理，降低时频域导频的最小间隔，从而在时间频率域提高参数的分辨率，来提升信道估计或信道预测的性能，其示意图如图2右下角所示，其性能验证结果如图5所示。

[0035] 为了公平比较在开销相同情况下本方法的提升，将时域或频域的非均匀导频的密度设置为和协议中的等间隔导频密度一样，只是导频的最小间隔更小，从物理意义上说更小导频粒度可能可以分辨更大的多普勒频率。

[0036] 步骤3、采用压缩感知中复杂度较低的基于贪婪追踪的正交匹配追踪(OMP)算法对压缩观测信号S进行信号恢复，具体为：以贪婪迭代的方式选择测量矩阵中的列，使得在每次迭代中所选择的列与当前的冗余向量最大程度地相关，测量向量中减去相关部分为残差，残差反复迭代，直到迭代次数达到稀疏度后强制停止迭代，这样便可恢复稀疏域的信号多普勒谱频率位置，获得所需要的角度参数Ω，并将角度Ω转换为真实的频率[0037] 在OMP过程中一般有效径数K＜＜导频数量M＜＜窗长大小N，匹配追踪即是在传感矩阵T中选择与信号x最匹配的一列，构建一个稀疏矩阵，并求出信号残差，然后进行迭代。

[0038] 步骤4、用OMP方法恢复出信号频率之后，采用正则化最小二乘(RLS)的方法恢复信号幅度，可以解决最小二乘法(LS)在数据的样本数远大于维度时易存在的过拟合问题，具体为：先要构造样本矩阵，矩阵样本集用矩阵W表示，大小为M×K，即，
然后通过RLS表示幅度

[0039] 步骤5、将步骤3中获得的频率参数 与步骤4中获得的幅度参数 带入信道模型中进行信号恢复，其中Q为时域点数，fs为采样频率。

[0040] 本实施例具体通过Cost2100模拟仿真数据实现，Cost2100信道模型是一种基于几何的随机信道模型，它可以展现多用户MIMO信道随时间、频率和空间变化的特性。随机信道模型的原理是通过分析环境中对无线电波有散射作用的物体(或散射体)的几何分布，对无线信道的随机特性进行建模。在随机信道模型中，无线信道是由传播路径叠加而成，这些路径称为多径分量。多径分量是由于无线电波和环境中的物体之间相互作用而产生的，每一个多径分量会有相应的时延和角度信息，设置的原始仿真数据速度满足90km/h及以上的高速场景。

[0041] 利用Cost2100模拟仿真数据进行时域非均匀导频性能验证，对时域非均匀导频下的120km/h的信道数据进行压缩感知方法的信道预测，将非均匀导频的分布设置为固定的非均匀的位置，将得到的预测部分与burg方法的吞吐量进行对比，得到时域非均匀导频与均匀导频的信道预测吞吐量示意图，由图可以看出非均匀导频对吞吐量性能的改善有一定的效果，对比的burg算法的平均吞吐量损失为36.62％，时域非均匀导频的平均吞吐量损失为23.75％，吞吐量损失性能提升大约12.9％。

[0042] 同样的利用Cost2100模拟仿真数据进行时频域非均匀导频性能验证，对时频域非均匀导频下的90km/h的信道数据进行压缩感知方法的信道预测，将非均匀导频的分布设置为固定的非均匀的位置，将得到的预测部分与burg方法的吞吐量进行对比，得到频域非均匀导频与均匀导频的信道预测吞吐量示意图，由图可以看出非均匀导频对吞吐量性能的改善有一定的效果，对比的burg算法的平均吞吐量损失为42.07％，频域非均匀导频的平均吞吐量损失为37.48％，吞吐量损失性能提升大约4.5％。

[0043] 上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。