[发明专利]一种利用宽带大规模天线阵列空间特性的信道预测方法

说明书

本发明公开了一种利用宽带大规模天线阵列空间特性的信道预测方法，利用大规模MIMO‑OFDM系统高时延和高角度分辨能力，通过信号处理将复杂的多径信道进行解耦。接着，利用信道稀疏性，根据估计信道信噪比来筛选信道主要元素，并仅对其进行预测。本发明提出两种信道预测方法：一种综合考虑角度时延域信道响应矩阵相邻元素间相关性的空时自回归信道预测器，以及一种具备泛化能力的神经网络信道预测器，实现逐信道元素的预测。空时自回归信道预测器利用历史样本在线学习模型参数，对信道进行预测；神经网络信道预测器则通过离线训练阶段学习网络参数，在在线阶段对信道进行预测。本发明具有预测精度高、计算复杂度低、易实现等优点。

技术领域

本发明属于信道预测领域，尤其涉及一种利用宽带大规模天线阵列空间特性的信道预测方法。

背景技术

大规模MIMO技术是5G移动通信的关键技术之一，通过在基站侧布置大规模天线阵列，大规模MIMO能够显著提高频谱以及能量效率。对于大规模MIMO无线通信而言，准确的信道获取至关重要。然而在移动场景下，由于基站侧信号处理时延以及信道信息传输时延，基站获取的信道往往是过时的。这种由于用户的移动性带来的获取的信道的过时，对无线通信传输造成了严重的影响。

信道预测利用信道序列之间的时间相关性，从过去的信道中预测现在及将来的信道，能够有效解决获取的信道过时的问题。传统的信道预测技术包括：正弦波叠加、线性外插以及自回归信道预测方法。其中，自回归模型通过将信道视为广义平稳的随机过程，通过线性模型的方法实现信道预测。而现有的深度学习技术将时变信道处理为时间序列，通过序列学习的方法也能够实现信道预测。然而应用于传统通信系统(如4G系统)中的这些方法，其性能受到信道的构造复杂性的严重制约，因为此时的信道是由多个不可分辨的多径叠加而成。

得益于大规模天线阵列以及宽带信号，大规模MIMO能够提供较高的角度以及时延分辨能力，因此能够部分的实现对路径的解耦。结合大规模MIMO的多径分辨能力，能够有效提高信道预测的精度。

与此同时，信道预测结合大规模MIMO技术面临两类问题：

(1)大规模MIMO多径分辨能力取决于天线的个数以及带宽大小，实际系统中这两者往往是有限的，从而影响信道预测的性能；

(2)大规模MIMO信道矩阵的维度较大，并且传统信道预测方法需要不断更新模型参数以适应新的场景，因此引入巨大的计算复杂度。

发明内容

本发明目的在于提供一种利用宽带大规模天线阵列空间特性的信道预测方法,以解决信道预测性能低和信道预测计算复杂度高的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种利用宽带大规模天线阵列空间特性的信道预测方法，包括以下步骤：

(1)筛选信道矩阵的主要元素：

首先将接收到的天线频率域信道处理为矩阵形式，通过反傅里叶变换将其变换为角度时延域信道响应矩阵；

然后基于角度时延域信道响应矩阵的稀疏性，根据接收的信噪比自适应选择能量最大的多个信道元素作为信道的主要元素，其余的元素作为信道的非主要元素；

(2)对主要信道元素进行预测包括以下两种方法：

方法一、构建空时自回归信道预测器，所述空时自回归信道预测模型是一个线性模型，输入为角度时延域主要信道元素以及其在角度域或时延域上相邻的信道元素的历史时刻的信道序列，通过模型参数的线性加权求和，输出为角度时延域主要信道元素的当前时刻的值；

利用最近的历史时刻信道值计算空时自回归信道预测器的模型参数，并对信道的主要元素进行预测。