大规模MIMO系统中基于稀疏优化的下行信道获取技术研究

In frequency division duplex (FDD) massive MIMO system the downlink channel acquisition is the major issue that need to be solved. By exploiting the sparsity in massive MIMO channel, channel estimation and feedback based on compressed sensing (CS) for channel acquisition are becoming hot topics. The sparsity is the key point in compressive channel estimation and feedback. Ideal sparsity is assumed in the most existing researching, and unideal matching orthogonal basis, leakage effect and difference in sparsity pattern which have negative effects on the sparse recovery are rarely considered. In this proposal, with the aim of optimizing the sparsity, the pilot pattern optimization is studied based on the coherence among antennas. Meanwhile the compressive channel estimation is studied based on the coherence of channel impulse response, and sparsity information sharing among neighboring antennas and differential channel representation are used for sparsity enhancing which can improve the performance of recovery algorithm and save the pilot resource. Finally compressive channel feedback is discussed, and iterative basis optimization with convex optimization and sparse approximation of channel with hybrid redundant dictionary are used for sparsity enhancing. These algorithms above can enhance the channel sparsity to save the pilot and feedback resources and improve the performance of channel estimation and feedback in massive MIMO system.

在FDD场景下大规模MIMO的下行信道信息获取是必须解决的关键问题。通过发掘大规模MIMO信道的稀疏性，利用压缩感知信道估计和反馈来获取下行信道信息是目前研究的一个热点。稀疏性是压缩感知信道估计和反馈技术的关键。目前大部分研究都是假设理想的稀疏性，较少考虑非理想匹配正交基、泄漏效应和稀疏结构非完全相同等因素对稀疏恢复的不良影响。本项目以稀疏优化为切入点，拟研究利用天线相关性的优化导频图样设计方法，改善信道估计的性能；研究基于天线冲激响应相关性的压缩感知信道估计方法，利用天线间的稀疏信息交互和信道差分方法来增强稀疏，改善信道恢复的性能，并节省导频资源开销；研究压缩感知信道反馈技术，利用凸优化的迭代基优化方法和基于混合型冗余字典的信道稀疏近似方法来增强信道稀疏性，并进行信道压缩反馈。通过这些稀疏优化方法的研究，节省大规模MIMO信道估计和反馈的资源开销，改善信道估计和反馈性能。

通过利用大规模MIMO信道中的稀疏特性，运用压缩感知的方法，减少信道估计和反馈时的导频开销和反馈开销。利用上下行信道之间在角度域具有一定的互易性，通过利用先验信息，可以进一步改善信道估计。本项目研究内容包括：.（1）分析了上行与下行之间的信道支持集的相关性，对信道稀疏表示中字典不匹配的泄漏效应进行了分析，提出了一种支持集诊断算法；并将该支持集诊断信息融合到子空间追踪算法中，提出了一种基于加权子空间追踪的信道估计方法；通过对该算法与标准的子空间算法的收敛性进行对比分析，显示出了本算法的收敛速度更快；在仿真中，分析比较了本支持集诊断算法和基于加权子空间追踪算法的在信道估计时的性能。.（2）研究将先验支持集信息融入到P范数的优化算法中来进行信道估计，提出了一种基于加权P-范数最小的信道估计方法；通过利用分块矩阵理论和压缩感知理论中的RIP性质，对该算法的收敛性能，误差性能进行了分析；通过对其误差性能上界的分析，比较分析了加权P-范数最小和标准P范数最小算法，得到了先验信息准确度对于恢复性能的影响，同时讨论了加权P-范数最小算法中的权值选择问题；仿真分析了加权P-范数最小算法，子空间追踪算法，加权子空间追踪算法，1范数最小算法和加权1范数最小算法的信道估计误差的性能。.（3）研究将先验支持集信息融入到稀疏贝叶斯推断算法中来进行信道估计，提出了一种基于冗余字典和支持集先验信息的稀疏贝叶斯推断的大规模MIMO信道估计方法；分析得到了信道估计误差的贝叶斯Cramer-Rao界，通过利用随机矩阵理论，得到了大规模MIMO的信道估计误差下界；仿真分析了冗余字典对于信道恢复性能的影响，同时将本方法与采用贝叶斯压缩感知（BCS），加权子空间追踪，加权l1最小化和加权迭代重加权最小二乘进行了仿真比较。.（4）提出了基于1比特压缩感知的信道反馈方法，并利用1比特贝叶斯稀疏恢复算法对反馈信道信息进行恢复，节省反馈开销。通过仿真分析验证了本方法的有效性。