混合低精度架构下基于IRS的大规模MIMO的级联信道估计方法

技术领域

本发明涉及通信领域中的信道估计方法，更为具体的说是涉及一种混合低精度架构下基于IRS的大规模MIMO的级联信道估计方法。

背景技术

近年来，通信技术取得了突破性的进展并逐步趋于成熟，全球范围内的移动通信产业已经得到了迅猛的发展。毫米波(mmWave)大规模多输入多输出(MIMO)是第五代(5G)无线系统的一项关键技术，有望将无线通信的频谱效率提高一个数量级。在第三代合作伙伴计划(3GPP)新无线电标准中也已经证明了实用mmWave大规模MIMO的潜在应用和实例。但是，大规模MIMO的特征在于庞大的天线阵列，需要大量的射频(RF)链，这既昂贵又耗能。特别是，模数转换器(ADC)是RF链的基本基础设施之一，极大地增加了额外的成本和能耗。

为了解决高成本高能耗的问题，具有有限数量RF链的混合模数架构被广泛运用，该架构结合利用低精度ADC可以进一步降低功耗。为了进一步减轻大规模MIMO的高成本和功耗，由大量无源反射元件组成的智能反射面(IRS)作为一种补充技术应运而生，其在灵活操纵电磁波方面的优势显而易见。特别是，通过改变反射信号的相位，IRS可以通过波束成形在所需位置进行能量聚焦和能量归零。IRS和多输入单输出(MISO)/单输入多输出(SIMO)的潜在使用案例众多，涵盖了广泛的实际情况，例如，增强小区边缘覆盖范围，提高mmWave的可靠性，对抗被阻塞的通信链路，实现成本和能源高效的通信。

为了进行高性能传输，需要首先进行信道估计。传统的大规模多天线技术系统的信道估计本身就是一大挑战。而在采用混合架构的大规模MIMO中，难以使用有限数量的RF链从低维观测准确估计高维信道矩阵。此外，当在通信网络中部署IRS时，信道估计问题变得更具挑战性。首先，信道估计的信令开销急剧增加，因为IRS的反射元素数量通常很大，并且固有的两跳信道与现有网络相比具有较高的维度。其次，由于IRS大部分是无源的，无法发送和接收导频信号，因此无法像常规MIMO网络中那样估计分别的两端独立信道，只能对级联信道做估计。因此，当考虑将IRS在低精度混合大规模MIMO中应用时，信道估计问题更具挑战性。

发明内容

本发明的目的在于提出了一种混合低精度架构下基于IRS的大规模MIMO的级联信道估计方案。为了降低成本，在基站上部署了统一的平面天线阵列，而在接收端上部署了混合架构和低精度ADC。通过计算最佳线性通道估计器的闭式表达式，减轻由低精度ADC的非线性量化引起的失真的影响。此外，所提出的估计器可以利用正交匹配追踪(OMP)技术获得信道稀疏信息，从而进一步提升性能和降低复杂度。

本发明采用如下的技术手段加以实现：一种混合低精度架构下基于IRS的大规模MIMO的级联信道估计方法，包括如下步骤：

(1)基站先向IRS的信令接收器和用户发送下行配置信息信令，配置信息包括IRS阵面的子阵面划分模式以及相干时间内用户发送的导频数目T，大规模反射阵面根据信令进行单元的均匀划分和相位配置，用户发送导频；

(2)基站优化设计各向同性的模拟接收器，模拟接收器采用全连接移相器网络，各移相器相位均匀分布，优化设计的模拟合并矩阵W

其中，W

(3)基站利用压缩感知技术，获得角度域毫米波信道的稀疏信息P，从而优化设计数字估计器W

(4)通过稀疏恢复和角度域反变换，获得子阵面的级联信道估计，进而推演获得IRS全部阵面的级联信道估计。

进一步的，所述步骤(1)中，所述IRS将整个反射阵面单元均匀划分为N个子阵面，每个子阵面的相位配置相同且幅度系数均为1，其中，基站发送的下行相位配置向量为

通过接收下行配置信息，用户在信道相干时间内发送的导频数目T的计算方式为

其中，

选取每个子阵面的中心单元进行级联信道估计，级联信道由基站-IRS间信道G和IRS-用户间信道g耦合而成，级联信道表示为：

H＝Gdiag{g}，

其中，H是维度为M×N的级联信道矩阵。

进一步的，所述步骤(3)中选择矩阵P为：

其中,e

基站-IRS间毫米波信道G和IRS-用户间毫米波信道g的角度域分解为：

其中，A

其中，A

其中，A

其中,

A

其中，

从而，角度域的等效级联信道表示为：

其中，1

进一步的，所述步骤(3)中，优化设计数字估计器W

其中，

进一步的，所述的信道等效噪声

其中，

进一步的，最优数字估计器W

其中，()

进一步的，所述的测量矩阵Ξ表示为：

Ξ＝ΨP，

其中，Ψ是维度为TL×MN的计算矩阵，P为步骤(3)中的所述的选择矩阵。

进一步的，所述的计算矩阵Ψ表示为：

其中，s(t)表示第t次发送时的功率为1的发射导频标量,t∈{1,2,…,T}。

进一步的，所述步骤(3)中角度域信道估计为：

其中，y＝[y(1),y(2),…,y(T)]

进一步的，所述步骤(4)中子阵面的级联信道估计为：

其中，mat()表示矩阵矢量化vec()的逆操作，即x＝vec(X)为矩阵X的矢量化形式，而X＝mat(x)。

与现有技术相比，本发明具有如下优点和有益效果：

本发明着力解决混合低精度ADC架构下基于IRS的大规模MIMO的级联信道估计问题，充分考虑低精度ADC的量化误差对信道估计精度的影响，将低精度ADC下的非线性量化问题用线性表达式近似，将不可解问题转化为线性估计问题。通过将IRS进行子阵面分割和利用信道的稀疏信息，极大地降低了信道估计的矩阵维度和计算复杂度。本发明利用最小均方误差准则，通过对数字估计器的最优设计，减小低精度ADC造成的量化误差，估计精度都比传统方法有较大提升。

附图说明

图1是本发明系统框图；

图2是在2、3、4比特精度的ADC量化下，针对瑞利信道的信道估计归一化均方误差(NMSE)随SNR变化的曲线图。

图3是固定SNR时，信道估计NMSE随信道稀疏性变化的曲线图。

具体实施方式

下面结合说明书附图对本发明进行进一步详述：

本发明提出了一种混合低精度ADC架构下基于IRS的大规模MIMO的级联信道估计方法，基站发送下行配置信令，将IRS大规模阵面划分成均匀的子阵面，用户根据信令要求发送导频符号，经由IRS反射，在接收端使用少量射频链路匹配大规模天线阵子，采用混合架构和低精度ADC。混合架构包括模拟射频合并器、数字估计器，所述模拟合并器和数字估计器由射频链路相连。

为了提升信道估计性能，降低信道估计的复杂度，本发明充分考虑低精度ADC的量化误差对信道估计精度的影响，首先基站端通过发送下行配置信息信令，对大规模反射阵面进行单元的均匀划分和相位配置，选取每个子阵面的中心单元进行信道估计；然后设计各向同性的模拟接收器，模拟接收器采用全连接移相器网络，各移相器相位均匀分布；接着基站利用压缩感知技术，获得角度域毫米波信道的稀疏信息，从而优化设计数字估计器，获得角度域信道估计；最后，通过稀疏恢复和角度域反变换，获得子阵面的级联信道估计，进而推演获得IRS全部阵面的级联信道估计。本发明能够显著提高信道估计的性能，有效抑制IRS对量化噪声的放大作用。

如图1所示，接收的基站端采用混合架构和低精度ADC，首先基站向IRS和用户发送下行配置信令，IRS根据信令进行子阵面划分，选取子阵面中心单元进行后续信道估计，用户根据下行配置信令发送导频符号。接收端首先设计模拟合并器，在没有先验接收角度信息条件下，采用基于随机码本的单模均匀相位分布的设计，即对于接收信号全向接收。然后，通过利用OMP算法探测角度域信道的稀疏信息，优化设计数字估计器，获得角度域信道估计。最后，通过稀疏恢复和角度域反变换，获得子阵面的级联信道估计，进而推演获得IRS全部阵面的级联信道估计。

本发明提出的信道估计方法包括如下步骤：

(1)基站先向大规模反射阵面(IRS)的信令接收器和用户发送下行配置信息信令，配置信息包括IRS阵面的子阵面划分模式以及相干时间内用户发送的导频数目T。通过接收下行配置信息，IRS将整个反射阵面单元均匀划分为N个子阵面，每个子阵面的相位配置相同且幅度系数均为1，其中，基站发送的下行相位配置向量为

其中，

选取每个子阵面的中心单元进行级联信道估计，级联信道由基站-IRS间信道G和IRS-用户间信道g耦合而成，级联信道表示为

H＝Gdiag{g}，

其中，H是维度为M×N的级联信道矩阵。

(2)基站优化设计各向同性的模拟接收器，模拟接收器采用全连接移相器网络，各移相器相位均匀分布，优化设计的模拟合并矩阵W

其中，W

(3)基站利用压缩感知技术，获得角度域毫米波信道的稀疏信息P。其中，稀疏信息

其中,e

基站-IRS间毫米波信道G和IRS-用户间毫米波信道g的角度域分解为

其中，A

其中，A

其中,

A

其中，

从而，角度域的等效级联信道表示为

其中，1

利用最小均方误差估计准则优化设计数字估计器W

其中，

所述的信道等效噪声

其中，

是通过MSE对W

其中，()

其中，测量矩阵Ξ表示为

Ξ＝ΨP，

其中，Ψ是维度为TL×MN的计算矩阵，P为权利要求3中的选择矩阵。

计算矩阵Ψ表示为

其中，s(t)表示第t次发送时的功率为1的发射导频标量,t∈{1,2,…,T}。

(4)通过稀疏恢复获得角度域信道估计为

其中，y＝[y(1),y(2),…,y(T)]

利用角度域反变换获得子阵面的级联信道估计为

其中，mat()表示矩阵矢量化vec()的逆操作，即x＝vec(X)为矩阵X的矢量化形式，而X＝mat(x)。

通过子阵面的级联信道估计，进而推演可以获得IRS全部阵面的级联信道估计。

图2比较了我们提出的信道估计(CE)方法，常规线性最小均方误差(LMMSE)和一般用于基准比较的ON/OFF的CE方法。可以看出，当ADC量化位数b的数量增加时，所有三种CE方法的性能都会提高。特别是，我们提出的CE方法通过有效地抑制非线性量化噪声的影响以及IRS所带来的相关负面影响，证明了其性能优势。而其他两种方法的性能在高SNR时却变差了，这是由于ADC量化噪声的放大效应引起的。而且，由于不消失的量化噪声的影响，对于增加的SNR，就NMSE而言的估计误差最终饱和。

图3显示了我们提出的利用稀疏信息的CE方法与没有稀疏性的CE方法在SNR＝10dB时的比较。这里的稀疏度被定义为在角域中非零信道系数的数量除以零个数字的数量的百分比。显然，所提出的CE方法通过结合稀疏信息而显着改善了性能，并且减少了矩阵求逆计算的负担。特别地，在通过提出的CE方法利用信道的稀疏性之后，我们可以通过接收波束成形来精确地定位非零信道系数，这有助于更好地相干地组合接收能量。由于大部分信号能量在信号传播期间被耗散，因此NMSE在级联信道的更多非零信道系数下表现较差。