论文部分内容阅读
Massive MIMO技术通过天线数的“量变”获得了系统特性的“质变”,极大的提高了系统容量和频谱效率,现已成为了5G的关键技术之一。随着系统中天线数的增多,信道状态矩阵的维数也随之增加,这对信道估计算法提出了更高的要求。导频污染问题在Massive MIMO系统中尤为突出,可见寻求低复杂度且抗导频污染的信道估计算法是目前亟待解决的问题。本文归纳分析了Massive MIMO技术的优点,并对点对点及多用户Massive MIMO系统的特性进行了理论分析。介绍了Massive MIMO系统信道的建模方法,并给出了相关信道的解析模型和仿真模型。在此基础之上,本文重点研究了基于导频的信道估计算法和基于子空间的半盲信道估计算法,并针对现有算法的不足提出了适用于Massive MIMO系统的改进算法。在对LS、ML、MMSE及MAP经典信道估计算法理论分析及性能仿真的基础上,结合Massive MIMO信道渐进正交性,提出了标量修正的LS算法和基于噪声功率估计的MMSE算法,改进算法改善了LS算法在低信噪比时的估计精度,提高了MMSE算法的适用性。对于多小区系统,导频污染损害了系统的性能,此时系统是干扰受限的。人们试图通过基于时隙偏移的导频传输方案来解决导频污染问题,本文对方案的可行性进行了分析。针对导频污染问题,本文研究了一类基于短导频重复传输的信道估计算法,此类算法不需要获知信道的二阶统计特性,有效消除了导频污染的影响。半盲信道估计算法只需少量的导频,从而避免了导频污染问题。本文首先对文献中提出的基于EVD的半盲信道估计算法进行分析与讨论,随后介绍了一种针对EVD算法的改进算法,即广义线性算法,并对两种算法的估计误差进行了理论推导和对比分析。SVD算法的模糊矩阵不再是一个对角阵,而是一个方阵,从而减小了信道非正交引起的误差。基于SVD的半忙信道估计算法虽然估计性能良好,但是计算量很大,针对这一不足本文提出了基于子空间跟踪的信道估计算法。在保证估计性能的前提下,大大减少了SVD算法的复杂度。