带有混合精度ADCs的大规模MIMO接收机DOA估计方法及系统

技术领域

本发明涉及无线通信技术领域，特别涉及一种带有混合精度模数转换器(Analog-to-digital convertors，ADCs)的大规模多输入多输出(Multiple-input multiple-output，MIMO)接收机波达方向(Direction of arrival，DOA)估计方法及系统。

背景技术

DOA估计自无线通信诞生时，便受到了人们的关注。它也被广泛运用在雷达、无线通信、声纳、导航等众多定位追踪领域。如今，在到达角定位、方向调制、无人机定位和通信感知一体化中更是扮演着不可或缺的角色。

随着5G的大规模普及，基站都需要采用大规模MIMO来增加吞吐并服务多个用户。但是传统结构下，一根天线对应一个射频链，天线数量的增加就会导致电路成本以及基站功耗的极具增加，其中高精度ADCs的功耗更是占据了极大的比例。为了降低成本，可以考虑采用低精度模数转换器。之前，已有文献分析了全部选用低精度ADCs的天线阵列，证明了其可以大大降低功耗，但是这会导致数据传输和信道估计的性能严重受限，因此采用混合精度ADCs架构是一个值得考虑的方法，可以取得更好的性能和功耗的平衡。目前，已有对混合精度ADCs可达速率的性能分析及基础算法研究，但是还没有对混合精度ADCs的DOA估计研究。

发明内容

本发明的目的在于提供一种带有混合精度ADCs的大规模MIMO接收机DOA估计方法及系统，同时推导了相应的CRLB，性能损失因子和能量效率因子，从而分析了如何选取低精度ADCs的数量和量化比特数以获得更好的性能和能量效率的平衡。

实现本发明目的的技术解决方案为：本发明提供了一种带有混合精度ADCs的大规模MIMO接收机DOA估计方法，包括以下步骤：

步骤1、利用线性加性量化噪声模型，对远场环境下混合精度ADCs的DOA估计系统建立系统模型；

步骤2、在所建立系统模型的基础上，构建用于该系统模型的基于信号子空间的DOA估计方法；

步骤3、推导步骤1的系统模型所对应的拉美罗下界CRLB，之后根据CRLB量化模型的性能损失及能量效率。

本发明还提供了一种带有混合精度ADCs的大规模MIMO接收机DOA估计系统，该系统用于实现所述的带有混合精度ADCs的大规模MIMO接收机DOA估计方法，所述系统包括系统模型建立模块、DOA估计模块、模型性能损失及能量效率确定模块，其中：

系统模型建立模块，利用线性加性量化噪声模型，对远场环境下混合精度ADCs的DOA估计系统建立系统模型；

DOA估计模块，在所建立系统模型的基础上，构建用于该系统模型的基于信号子空间的DOA估计方法；

模型性能损失及能量效率确定模块，推导步骤1的系统模型所对应的拉美罗下界CRLB，之后根据CRLB量化模型的性能损失及能量效率。

本发明还提供一种带有混合精度ADCs的大规模MIMO接收机DOA估计装置，该装置包括：处理器、以及与所述处理器通过总线相连的非瞬时计算机可读存储介质；所述非瞬时计算机可读存储介质，存储有可被所述处理器执行的一个或多个计算机程序；所述处理器执行所述一个或多个计算机程序时实现所述的带有混合精度ADCs的大规模MIMO接收机DOA估计方法中的步骤。

本发明还提供一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行所述的带有混合精度ADCs的大规模MIMO接收机DOA估计方法中的步骤。

本发明与现有技术相比，其显著优点为：(1)本发明基于混合精度ADCs的天线架构，分析出基于子空间的root-MUSIC和ESPRIT算法的用法，无需重新设计复杂算法即可实现高精度高分辨率；(2)推导出了基于对应CRLB的性能损失因子和能量效率函数，能够量化分析性能损失，从而根据实际应用场景来选取合适的低精度ADCs的比例以及量化比特长度。

附图说明

图1为带有混合精度ADCs的天线阵列DOA估计系统框图。

图2为带有混合精度ADCs的大规模MIMO接受机的DO估计方法流程图。

图3为不同比特数下多目标的MUSIC谱图。

图4为不同子空间算法在不同SNR下RMSE性能图。

图5为不同比特数与高精度ADCs占比的性能损失关系图。

图6为不同比特数与高精度ADCs个数的能量效率关系图。

图7为不同比特数数与高进度ADCs占比的性能功耗关系图。

具体实施方式

本发明提供一种带有混合精度ADCs的大规模MIMO接收机DOA估计方法，包括以下步骤：

步骤1、利用线性加性量化噪声模型，对远场环境下混合精度ADCs的DOA估计系统建立系统模型；

步骤2、在所建立系统模型的基础上，构建用于该系统模型的基于信号子空间的DOA估计方法；

步骤3、推导步骤1的系统模型所对应的拉美罗下界CRLB，之后根据CRLB量化模型的性能损失及能量效率。

作为一种优选示例，所述步骤1具体如下：

步骤1.1，无线信号从远处到达均匀线性阵列，阵列包含M根天线，在空间中噪声的影响下，接受信号x(t)＝a(θ

步骤1.2，混合精度ADCs阵列包含M

首先写出高精度ADCs量化的信号部分为：

y

其中，n表示采样点，N为采样数，s(n)表示第n个采样点的发射信号，x

然后运用加性量化噪声模型，写出低精度ADCs量化出的信号部分为：

其中，n表示采样点，s(n)表示第n个采样点的发射信号，a

步骤1.3，将低精度与高精度ADCs量化的两部分信号写为一个接收信号向量，如下所示：

其中，y

作为一种优选示例，所述步骤2具体如下：

步骤2.1，记写出量化后的信号协方差矩阵

其中，

实际运用中，协方差矩阵由下式估计获得

步骤2.2，构建用于该系统模型的基于信号子空间的DOA估计方法，下式表示拥有M根天线的纯高精度ADC接收阵列的协方差矩阵，：

其中，y

因为

其中，a(θ)为由θ形成的导向矢量；此谱S(θ)会在θ＝θ

将R

其中，R

混合精度ADCs的协方差矩阵看为是高精度ADCs的协方差矩阵加了一个噪声矩阵，将e

其中，

线性方程组的条件数随着SNR减小而减小，因此R

作为一种优选示例，所述步骤3具体如下：

推导出与步骤1.3中接收信号y(n)对应的CRLB的闭式表达式，表示为

其中，λ表示信号的波长，d表示相邻天线的距离，γ为信噪比，α＝1-β是线性量化增益，β为量化扰动因子，M为天线个数，M

根据CRLB定义性能损失因子以及能量效率因子，分别如下所示

其中，

本发明还提供一种带有混合精度ADCs的大规模MIMO接收机DOA估计系统，其特征在于，该系统用于实现所述的带有混合精度ADCs的大规模MIMO接收机DOA估计方法，所述系统包括系统模型建立模块、DOA估计模块、模型性能损失及能量效率确定模块，其中：

系统模型建立模块，利用线性加性量化噪声模型，对远场环境下混合精度ADCs的DOA估计系统建立系统模型；

DOA估计模块，在所建立系统模型的基础上，构建用于该系统模型的基于信号子空间的DOA估计方法；

模型性能损失及能量效率确定模块，推导步骤1的系统模型所对应的拉美罗下界CRLB，之后根据CRLB量化模型的性能损失及能量效率。

本发明还提供一种带有混合精度ADCs的大规模MIMO接收机DOA估计装置，该装置包括：处理器、以及与所述处理器通过总线相连的非瞬时计算机可读存储介质；所述非瞬时计算机可读存储介质，存储有可被所述处理器执行的一个或多个计算机程序；所述处理器执行所述一个或多个计算机程序时实现所述的带有混合精度ADCs的大规模MIMO接收机DOA估计方法中的步骤。

本发明还提供一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行所述的带有混合精度ADCs的大规模MIMO接收机DOA估计方法中的步骤。

下面结合附图和具体实例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

实施例

结合图1～图2，本发明的带有混合精度ADCs的大规模MIMO接受机DOA估计方法，包括以下步骤：

步骤1，建立基于目标在远场环境下的混合精度ADCs的DOA估计系统框图。如图1所示，天线阵列拥有M根间隔均匀的天线，窄带信号从远处而来被天线阵列捕获，之后经过射频，到达ADCs进行模数转换，其中有M

x(t)＝a(θ

其中，

其中，

将接受信号拆分为低精度ADCs和高精度ADCs量化的两部分x(t)＝[x

其中，

表1量化损失因子与比特长度关系对应表(b≤5)

当b>5时，其值可以近似为

对于一个固定不变的信道，量化噪声的协方差矩阵可以写为

其中

步骤2，分析基于子空间的DOA算法，并将其用于混合精度ADCs结构的DOA估计中，具体如下：

当阵列中的ADCs都是高精度ADCs时，其接受信号记为y

其中，E

会在θ＝θ

在混合精度ADCs结构中，(6)的协方差矩阵可以分解为

其中，

其中，

其中，

步骤3，推导出基于CRLB的性能损失因子和能量效率因子，具体步骤如下：

定义d

接收信号向量y可以重构为

y＝Tas+Tw+q    (14)

其中

将其代入(13)，最终费雪信息矩阵可以写为

所以，CRLB可以写为

其中

再定义性能损失因子，

其中，g＝β(γ+1)。考虑到在大规模MIMO中，天线个数极多，M→∞，因此性能损失因子可以近似为

因为0≤k≤1，所以η

DOA估计的能量效率因子可以定义为

其中，P

P

其中，P

ADC的功耗一般可以计算为

其中，B表示信号带宽，V

至此，完成了性能损失因子和功耗效率因子。

图3绘制了不同量化位数的混合ADC阵列的MUSIC谱的曲线。参数设置为：M＝32、K＝32、k＝1/4。假设13个目标间隔4°。可以看出，具有1比特精度的ADCs和2比特精度ADCs的阵列的MUSIC谱在相同方向上有较低的峰值。进一步观察发现，混合精度ADCs结构具有类似的特征值和特征向量。正如之前分析的，低分辨率ADC所带来的损失可以看作是信噪比的下降。基于子空间的方法可以不用修改就可以应用。

图4展示了root-MUSIC和ESPRIT算法用于混合精度ADC结构的均方根误差。以CRLB作为性能基准。可以看出实际仿真的算法性能基本和理论分析的相同。这样证实了之前的理论分析完全正确，可以将基于子空间的DOA估计算法直接用于混合精度ADC结构。Root-MUSIC算法能够逼近CRLB，而ESPRIT算法会稍差一些。这也符合预期，因为ESPRIT算法复杂度较低，在低信噪比时性能不如root-MUSIC算法。

图5对k的性能损失进行了说明。我们考虑两个常见的信噪比：γ＝0dB和γ＝10dB。很明显，η

图6展示了能量效率与量化位数的关系。我们采用大规模MIMO系统的经典值：P

图7显示了不同量化位数的混合ADC架构的功耗和CRLB之间的权衡。图中显示了四种不同的k情况。很明显，带有混精度ADC的大规模MIMO比带有纯低精度ADC的MIMO消耗更多的能量。然而，混合精度ADC结构对小量化位的性能有更大的提高。此外，功耗的差异随着b的增加而减少。当量化位数从1增加到3或4时，混合-ADC结构在精度上有明显的改善，而功耗增加很少，特别是当k较小时。然而，当b>4时，CRLB的下降可以忽略不计，而功耗却大量增加。因此，为了在混合精度ADC结构中实现更好的权衡，我们采用的量化位数应该小于5。

综上所述，本发明基于混合精度ADCs的天线架构，分析出基于子空间的root-MUSIC和ESPRIT算法的用法，无需重新设计复杂算法即可实现高精度高分辨率；通过推导出基于对应CRLB的性能损失因子和能量效率函数，能够量化分析性能损失，从而根据实际应用场景来选取合适的低精度ADCs的比例以及量化比特长度。