[发明专利]大规模MIMO系统基于时频联合相关性的信道预测方法和系统

说明书

本发明公开大规模MIMO系统基于时频联合相关性的信道预测方法和系统，属于大规模MIMO无线通信领域。本发明根据实测数据的弱时域相关性和强频域相关性特点，提出了一种基于卷积长短期记忆网络的时频结合信道预测方法，Convolutional LSTM是一种能够同时提取时域和频域特征的深度学习模型，它通过输入的卷积结构提取信道的频域特征，同时利用内部LSTM结构来提取信道的时域特征，将频域上的信道特征应用于时域上的信道预测，从而达到时频联合的信道预测的效果。该方法同时结合时域和频域的特性来对信道进行预测，利用频域的强自相关性来提升时域预测的精度。与现有的仅利用时域相关性进行信道预测的方法相比，所提出的方法具有较高的信道预测的精度。

技术领域

本发明属于大规模多入多出(multi-input multi-output，MIMO)无线通信领域，更具体地，涉及大规模MIMO系统基于时频联合相关性的信道预测方法和系统。

背景技术

大规模MIMO技术作为5G中的一项关键技术，近年来得到了广泛的研究。大规模MIMO技术通过在基站(base station,BS)端放置更多的天线，通常是成百上千根，同时服务多个用户，获得了更大的空间分集增益，进一步的提升了数据传输速率和链路的可靠性。为了充分发挥大规模MIMO系统的优势，准确信道状态信息(channel state information,CSI)的获取是必不可少的。一般都是通过导频估计的方法进行CSI的估计，但在大规模MIMO系统下这种导频估计的方法会存在CSI过时的问题。目前主要采用信道预测的方案来解决CSI过时的问题。

信道预测是通过了解过去和当前时刻的CSI来预测未来时刻的CSI，为此需要一个模型来表示衰落信道的动态变化过程。在获得信道的估计之后，可以估计信道模型的参数，从而借助于这些估计的信道模型的参数来完成对未来时刻CSI的预测。传统的关于信道预测的方法主要可以分为三类:(1)基于参数无线电信道模型(parametric radio channelmodel,PRC)的信道预测，基于自回归(autoregressive，AR)模型的信道预测以及基于带限基础扩展技术的信道预测。在大规模MIMO系统中，由于实际信道环境变得越来越复杂，信道的不确定性增加，实际信道中具有快变和非平稳的特性。对于传统的基于参数模型的信道预测方法来说，由于天线数的增加，参数估计所需计算的复杂度也就随之增大。对于AR模型，虽说其计算复杂度相较于基于参数的信道估计小很多，但是它将信道的变化建模为一个自回归的过程，仅仅考虑了信道在时间上的相关性。然而根据对实测信道数据的探索发现，在大规模MIMO系统中，信道中CSI随着时间的变化较快，时间上的相关性较低，若是单纯的利用时间上的相关性去进行信道预测难以取得理想的效果。

综上，现有的信道预测的方案可能不再适用于大规模MIMO系统，因此本发明提出一种基于时频联合相关性的信道预测方法，该方法同时结合时域和频域的相关性来对信道进行预测，利用频域的高自相关性来提升时域预测的精度。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了大规模MIMO系统基于时频联合相关性的信道预测方法和系统，其目的在于同时结合信道的时域和频域相关性来进行信道预测，有效提高了信道预测的精度。

为实现上述目的，按照本发明的第一方面，提供了一种大规模MIMO系统基于时频联合相关性的信道预测方法，移动端任一天线A向基站端任一天线B发送OFDM信号，所述OFDM信号同时包含OFDM导频和OFDM数据，基站端接收到OFDM信号后，对天线A和B之间的信道采用以下方法进行信道状态预测：

准备阶段：

移动端天线A在t时刻向基站端天线B发送OFDM导频信号s_t；基站端根据接收到导频信号估计当前信道在t时刻上各频点的信道状态信息H_t；重复n次传递，得到当前信道的信道状态信息矩阵H＝[H₁,H₂,…,H_n]；