massive MIMO系统基于压缩感知的相关技术

hongsexinxing

本人最近在学习massive MIMO系统相关的方面，主要是基于压缩感知技术的信道估计技术，写点东西与大家分享，希望大家多多和我讨论。
massive MIMO的主要特点就是基站发射天线数多，几十几百根天线，服务的用户数也多，几十几百，这样带来的一个问题就是信道矩阵的维数比较吓人，对信道矩阵进行估计的成本很高：一方面，用普通的LS、MMSE等信道估计算法一是复杂度高，二是实际难以实现，因为要涉及到大维度矩阵求逆；另一方面，高维度信道矩阵的估计需要极大的导频量，不仅设计高维度正交导频是一大难点或者是不可能点，此外导频长度过长也是难以解决的问题。

---

既然用传统的信道估计方法估计信道遇到如此大的困难，并且这困难似乎是极难解决的，那仔细想想，还有什么问题被忽略了呢？上面提到的普通的信道估计方法是传统的小规模MIMO信道估计方法中比较经典的，但在massive MIMO中，将这些方法只是进行直接的代入，未免太“简单粗暴”，性能不好、遇到难题也是在所难免。这种直接代入的方式，完全没有考虑到实际的应用场景变化，那就是：massive MIMO。

---

massive MIMO和小规模MIMO是不同的，最重要的一个不同点就是信道具有稀疏性，稀疏性体现在将频域信道进行虚拟角域变换后得到的角域信道矩阵具有稀疏性。角域信道的稀疏性来源于：massive MIMO系统的基站天线数很多，基站通常架设于高处，能将基站发射信号散射至某一用户处散射体数目是极有限的，这就导致各个用户的信道矩阵进行角域分解后是稀疏的。这一点有很多文献已通过实际测量给出了依据，至于理论的推导和证明，可以参考David Tse的“Fundamentals of Wireless Communication”一书。
有了massive MIMO信道的角域稀疏性，结合最近的热门技术--压缩感知，可以极大的缩短导频长度，减少矩阵求逆的维度，使得信道估计复杂度大幅降低，估计准确度比单纯使用LS高得多。（待续）
附件为 【Tse】Fundamentals of Wireless Communication.pdf (4.58 MB, 下载次数: 34)

2015-12-16 11:33 上传

下载次数: 34

David Tse的“Fundamentals of Wireless Communication”一书的电子版。