[发明专利]一种Massive MIMO的相位噪声估计方法及装置

说明书

本发明实施例公开了一种Massive MIMO的相位噪声估计方法及装置，本发明为基于无迹卡尔曼滤波的相位噪声估计方法，用于大规模天线系统中下行链路本振相位噪声的估计，从而改善系统的性能。本发明实施例方法包括：建立大规模天线下行链路的系统模型，并设置各个参数，建立空间状态方程和测量方程；利用无迹卡尔曼滤波算法估计本振相位噪声，从而对其矫正，以提高系统的性能。该方法可以有效减弱相位噪声对系统的影响，可以很好的解决大规模天线系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。

技术领域

本发明涉及天线系统领域，尤其涉及一种Massive MIMO的相位噪声估计方法及装置。

背景技术

Massive mimo即在基站配置更多的天线。相比常规的MIMO，Massive MIMO提供了更大的自由度、简单的线性预编码技术和检测技术、频谱效率和能量效率数量级的改善，同时由于天线数目较多，信道小尺度衰落和热噪声的影响小时，介质访问控制层协议简化。然而数以百计的天线在基站的配置必然需要相应数量的射频链路，即所需的功率放大器(PA)、低噪声放大器(LNA)、混频器(Mixer)、本地振荡器(LO)、模数(ADC)和数模转换器(DAC)的数量大幅度增加。另外，随着微微蜂窝和家庭基站的大量配置，基站的数目将会越来越多。从经济效益角度考虑，要使Massive MIMO系统在蜂窝移动网络中配置，必须使用低成本、能量效率高的模拟器件。另外，现代无线接收机和发射机通常采用了零中频或低中频的方案，零中频和低中频的方案需要模拟正交混频，本地振荡器难以产生精确的同相和正交本振信号，因此引起了I/Q不平衡，给后续信号处理带来了极大的困难。

在多天线系统中，每条链路都需要不同的本振或锁相环电路来驱动，因此多个相位噪声需要被估计，单天线系统中单相位噪声估计算法无法适用。现有算法中有基于矩阵逆、数学期望最大化(EM)和扩展卡尔曼滤波(EKF)的算法来估计多个相位噪声参数，但Massive MIMO系统使用了低成本的本地振荡器，相位噪声对系统性能的影响更严重，这些算法由于线性化逼近误差高、稳定性差、估计精度低以及计算复杂度高而无法适用于新的系统。

发明内容

本发明实施例提供了一种Massive MIMO的相位噪声估计方法及装置，可以很好的解决Massive MIMO系统相位噪声估计中存在的复杂度高、估计精度差、稳定性差等问题。

根据本发明的一个方面，提供一种Massive MIMO的相位噪声估计方法，包括：

S0：获取起始时刻的预置相位噪声向量，并将起始时刻的预置相位噪声向量作为当前时刻的相位噪声向量，相位噪声向量由各个天线的相位噪声组成；

S1：获取当前时刻的相位噪声向量和下一时刻的实际接收数据向量，接收数据向量由各个天线的接收数据组成；

S2：对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取，对得到的各个sigma点进行噪声补偿得到下一时刻的各个sigma点组成的sigma点列向量；

S3：对下一时刻的各个sigma点进行线性权重计算，得到下一时刻的相位噪声第一向量；

S4：获取接收数据向量与相位噪声向量之间的卡尔曼滤波算法的量测方程，将下一时刻的sigma点列向量输入量测方程再进行线性权重计算得到下一时刻的预估接收数据向量；

S5：根据下一时刻的相位噪声第一向量和预估接收数据向量之间的协方差、下一时刻的预估接收数据向量的方差计算卡尔曼增益；

S6：将下一时刻的实际接收数据向量与预估接收数据向量之差乘以卡尔曼增益，再加上相位噪声第一向量得到下一时刻的相位噪声第二向量；

S7：将下一时刻的相位噪声第二向量作为当前时刻的相位噪声向量，重新执行步骤S1。

优选地，所述对当前时刻的相位噪声向量进行卡尔曼滤波器形式的sigma点选取具体为：