一种基于OFDM系统的低复杂度线性预编码算法技术方案

本发明专利技术公开了一种基于OFDM系统的线性预编码方法，采用OFDM系统对信道进行正交频分复用，将信道转换为若干窄带子信道，考虑到各个子信道在预编码矩阵求解过程中的拉格朗日算子等参数在时间与频率方向上均为慢变，仅选取部分时间与频率方向上的子载波插入导频，分别获取必要的参数。运用获取到的已知频率点的参数，通过插值算法估计其余频率的信道参数，从而直接推算出所有的预编码矩阵。线性预编码算法采用插值法对未知子载波的信道参数进行估计，降低了算法的复杂度，提高了运算效率及实用性。线性预编码算法采用的OFDM技术在对抗频率选择性衰落或窄带干扰有巨大优势。率选择性衰落或窄带干扰有巨大优势。率选择性衰落或窄带干扰有巨大优势。

【技术实现步骤摘要】
一种基于OFDM系统的低复杂度线性预编码算法


[0001]本专利技术属于大规模MIMO通信
，尤其涉及一种基于OFDM系统的低复杂度线性预编码算法。

技术介绍

[0002]随着移动通信技术的发展，移动智能终端已逐步成为人们日常生产生活中不可或缺的一部分。除以人为中心的通信，以机器为核心的通信也变得越来越重要。这些新接入的设备将对移动通信系统提出大量新的业务需求，如通信成本、复杂度、能耗、数据速率、移动性、时延和可靠性等。为迎合未来人类社会的发展需要，应对新型业务和应用场景的出现，面向2020年及以后的第五代移动通信系统应运而生。
[0003]MIMO，是指在发射端和接收端分别使用多个发射天线和接收天线，使信号通过发射端与接收端的多个天线传送和接收，从而改善通信质量。它能充分利用空间资源，通过多个天线实现多发多收，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量，显示出明显的优势、被视为下一代移动通信的核心技术。
[0004]由于对移动通信系统容量的提升效果显著，在基站侧配置大规模天线阵列的大规模多输入多输出技术，即大规模MIMO，是新一代移动通信网络的关键技术之一，也是近些年移动通信领域的研究热点。
[0005]研究具有适度复杂度的大规模MIMO技术不仅具有重要的理论意义，也在满足5G及后5G提出的低通信成本、低复杂度、低能耗、高数据速率、低时延和高可靠性等业务需求上具有重要的应用价值。
[0006]大规模MIMO由于具有多个子信道，且要求子信道间互不干扰，因此普遍采用正交频分复用技术，即OFDM系统。通过频分复用实现高速串行数据的并行传输,使得大规模MIMO具有较好的抗多径衰弱的能力，并且能够支持多用户接入。
[0007]OFDM的主要思想，是将信道分成若干正交子信道，将高速数据信号转换成并行的低速子数据流，调制到在每个子信道上进行传输。正交信号可以通过在接收端采用相关技术来分开，这样可以减少子信道之间的相互干扰。每个子信道上的信号带宽小于信道的相关带宽，因此每个子信道上可以看成平坦性衰落，从而可以消除码间串扰，而且由于每个子信道的带宽仅仅是原信道带宽的一小部分，信道均衡变得相对容易。
[0008]作为当前大规模MIMO技术的研究重点，预编码技术可充分挖掘空间自由度，使小区内以及小区间的干扰最小化。若在系统带宽的不同频段使用不同的相移，从而实现对抗小尺度衰落，则该技术被定义为预编码技术。
[0009]典型的预编码技术大多假定能够获取完美的信道状态信息，即CSI。然而在移动环境下，由于导频传输、信道估计、预编码矩阵计算等过程造成的处理时延，估计得到的CSI，与实际下行传输中的信道存在较大偏差。目前，对在非完美CSI条件下大规模MIMO的传输的研究仍处于初级阶段。为了提升移动环境下的传输性能，可从以下两个维度进行改进：在CSI非完美的前提下设计改进预编码方法从而提升系统性能；提升基站侧信道信息获取的
能力，利用信道预测方法提高CSI的准确度。
[0010]无论是非线性预编码还是线性预编码，获取准确的信道状态信息都是实现高性能预编码的前提条件。针对移动场景下，大规模MIMO信道信息非完美的现象，可以利用已知若干个探测周期的信道信息，对未来的信道信息进行预测，从而辅助预编码性能增强。在静态信道环境中，利用信道探测参考信号及通常的信道估计方法就能获得较为准确的信道状态信息，无论对于窄带系统还是宽带系统，信道预测都为系统性能带来一定程度的增益。而实际的无线信道是持续变化的，尤其是在移动场景中，信道变化的快慢与移动设备与基站的相对速度正相关。因此，需要设计出适用于非完美信道状态信息条件下的低复杂度线性预编码算法。

技术实现思路

[0011]本专利技术目的在于提供一种基于OFDM系统的低复杂度线性预编码算法,以解决上述
技术介绍
中出现的技术问题。
[0012]为解决上述技术问题，本专利技术的具体技术方案如下：
[0013]一种基于OFDM系统的低复杂度线性预编码算法，包括以下步骤：
[0014]步骤1、从时间与频率维度分别向OFDM系统中插入导频，获取导频信号的信道矩阵；
[0015]步骤2、利用卷积神经网络推算出导频信道的拉格朗日算子与用户功率向量参数；
[0016]步骤3、运用插值法，通过已知导频信道的拉格朗日算子与用户功率向量参数估计其余子载波的拉格朗日算子参数；
[0017]步骤4、利用所有子载波的拉格朗日算子参数，计算预编码矩阵。
[0018]进一步的，步骤1中在发送端插入已知的导频符号，接受端利用此导频符号估计信道特性；考虑一个单小区多用户的大规模MIMO下行传输链路，其中基站端天线数目为M
t
，用户数目为K，每个用户配备M
k
根天线；设置发送给第k个用户的下行数据为用户k的预编码矩阵为对应的频域信道矩阵为接收噪声为n
k
，噪声功率为σ2；则用户k的接收信号y
k
表示为
[0019][0020]若将K个用户的发送信号联合表示为则所有用户的接收信号表示为系统传输模型改写为
[0021]y＝HPx+n
[0022]从{y(k)}中提取接受到的导频信号{y
P
(k)}，从中估计出插入导频的子信道的信道频率响应{H
P
(k)}。
[0023]进一步的，步骤2中，根据权利要求2所述的基于OFDM系统的低复杂度线性预编码算法，其特征在于，所述步骤2中，为了获得不同场景下计算拉格朗日算子所需的瞬时相关系数，通过后续实验的仿真可发现，最优瞬时相关系数β的取值主要与用户移动速度和上行探测周期相关，在假定不同用户具有相同的最优瞬时相关系数β的前提下，我们选择用户移
动速度和上行探测周期作为输入，通过查表法找到最优的瞬时相关系数β。
[0024]进一步的，步骤2中拉格朗日算子通过卷积神经网络结构获得；构建以预编码方向矩阵、瞬时信道、信道耦合阵、信噪比为输入，最优拉格朗日乘子为输出的卷积神经网络，获得最优拉格朗日乘子。该方法与传统的算法相比，计算复杂度较低。
[0025]进一步的，步骤4利用共轭梯度法，通过迭代法趋近最小广义特征值，最优预编码方向矩阵为最小广义特征值对应的特征向量。
[0026]进一步的，卷积神经网络分为输入层、卷积层、池化层、激活层、全连接层以及输出层；输入层输入待检测的数据结构；考虑到瞬时信道信息和信道耦合矩阵的数据结构不同，首先需要将信道信息归一化，归一化后的数据样本分别从三个输入层进入神经网络；之后，三路输入的信息分别进行多次重复的卷积、池化以及激活；卷积层对每个输入样本进行卷积运算；池化层减少卷积层提取的特征个数，通过池化剔除重复多余的特征；激活层的作用是引入非线性因素，在每层池化后使用Relu(
·
)函数激活；在完成多次卷积、池化以及激活之后，拥有相同的数据结构的三路数据m1、m2和m3分别输入全连接层，将提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于OFDM系统的低复杂度线性预编码算法，其特征在于，包括以下步骤：步骤1、从时间与频率维度分别向OFDM系统中插入导频，获取导频信号的信道矩阵；步骤2、通过信道矩阵获得瞬时相关系数，作为卷积神经网络输入，导频信道的拉格朗日算子与用户功率向量参数为输出；步骤3、运用插值法，通过已知导频信道的拉格朗日算子与用户功率向量参数估计其余子载波的拉格朗日算子参数；步骤4、所有子载波的拉格朗日算子参数与瞬时信道信息构成矩阵A
m
和B
k，m
，矩阵对(A
m
；B
k，m
)的最小广义特征值对应的特征向量即为最优预编码矩阵。2.根据权利要求1所述的基于OFDM系统的低复杂度线性预编码算法，其特征在于，所述步骤1中，考虑单小区多用户的大规模MIMO下行传输，信号在基站端插入已知的导频符号，接受端利用此导频符号估计信道特性；其中基站端天线数目为M
t
，用户数目为K，每个用户配备M
k
根天线；设置发送给第k个用户的下行数据为用户k的预编码矩阵为对应的频域信道矩阵为接收噪声为n
k
，噪声功率为σ2；则用户k的接收信号y
k
表示为若将K个用户的发送信号联合表示为则所有用户的接收信号表示为系统传输模型改写为y＝HPx+n其中H为信道矩阵，P为预编码矩阵，x为发送信号，y为接收信号，n为噪声；从接收信号{y(k)}中提取接受到的导频信号{y
P
(k)}，从中估计出插入导频的子信道的信道频率响应{H
P
(k)}。3.根据权利要求1所述的基于OFDM系统的低复杂度线性预编码算法，其特征在于，所述步骤2中，为了获得不同场景下计算拉格朗日算子所需的瞬时相关系数，在设置不同用户具有相同的最优瞬时相关系数β的前提下，选择用户移动速度和上行探测周期作为输入，通过查表法找到最优的β。4.根据权利要求1所述的基于OFDM系统的低复杂度线性预编码算法，其特征在于，所述步骤2中拉格朗日算子通过卷积神经网络结构获得；构建以预编码方向矩阵、瞬时信道、信道耦合阵、信噪比为输入，最优拉格朗日乘子为输出的卷积神经网络，获得最优拉格朗日乘子。5.根据权利要求1所述的基于OFDM系统...

【专利技术属性】
技术研发人员：王闻今，杨辰泓，文简，季姜晗，王亚飞，刘彦浩，
申请(专利权)人：东南大学，
类型：发明
国别省市：