论文部分内容阅读
5G是面向2020年以后移动通信需求而发展的新一代移动通信系统,其核心技术包括高能效的无线传输技术以及高密度无线网络技术,其中重点表现为大规模MIMO技术。大规模MIMO系统具有超高的频谱利用率和能量效率等优点,自被提出之后就获得了广泛而深入的研究,是当前通信领域研究的重点内容。然而,大规模MIMO系统实现超高性能增益的前提是系统可以正确地获得信道状态信息,随着发射天线数增多,大规模MIMO系统无法承担信道空间相关信息的反馈开销,此时训练序列的计算发生在用户设备端而非基站端,基站由于不具备信道长期统计信息而需要不断接收反馈回来的训练信号。本文正是针对大规模MIMO系统中基站不具备信道长期统计信息这一问题,研究FDD大规模MIMO系统中下行链路的训练算法优化问题。对于传统训练算法在大规模MIMO系统存在着性能上的限制。本文研究了开环训练算法对于大规模MIMO系统的适用性问题,在推导了开环单射情况下使得信道估计均方误差最小的训练序列结构后,针对优化后的训练序列,本文通过理论推导和实际仿真证明了开环单射训练方法存在的天花板效应,大规模MIMO系统中训练序列固定时系统的归一化接收信噪比将受到限制。使用开环有记忆的训练方法可以缓解开环单射训练所存在的性能限制,使用卡尔曼滤波来预测信道的变化信息可以提升大规模MIMO系统中信道估计的准确度。为了解决大规模MIMO系统中基站端无法完成训练序列计算的问题,本文重点研究了大规模MIMO系统中的闭环有记忆训练算法。研究了使得信道估计性能最好的训练序列结构设计方法,通过寻找高性能的训练信号集以及使得MSE最小的全反馈训练信号,使得信道估计的性能得到提升。仿真结果表明闭环有记忆训练方法可以在只增加几比特反馈开销的前提下使得信道估计更准确,当用户端反馈全部的训练信号结构时,系统的下行链路可以进一步获得更高的信道估计性能。本文创新性地提出了引入功率分配策略的闭环有记忆训练算法,基站可以在不具备信道长期统计信息的前提下完成更加准确的下行链路信道估计。通过计算机仿真评估了新算法的信道估计均方误差性能指标。提出的算法可以在系统性能与链路开销取得较好的折中,适用于大规模MIMO系统中的训练设计问题。