基于空頻相關(guān)性的大規(guī)模MIMO-OFDM信道壓縮反饋算法

李曉輝 王維猛 黑永強

?

基于空頻相關(guān)性的大規(guī)模MIMO-OFDM信道壓縮反饋算法

李曉輝*王維猛 黑永強

(西安電子科技大學(xué)綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點實驗室 西安 710071)

大規(guī)模MIMO-OFDM系統(tǒng)中，信道常常存在較強的空間和頻域相關(guān)性。針對多數(shù)信道壓縮反饋算法僅考慮空間或頻域相關(guān)性的問題，該文提出一種空頻聯(lián)合壓縮反饋算法。首先，根據(jù)壓縮感知理論進(jìn)行了信道空頻2維稀疏度分析；然后，推導(dǎo)了信道矩陣在空間和頻域2維相關(guān)性下的聯(lián)合稀疏基；最后，利用該聯(lián)合稀疏基給出了空頻聯(lián)合壓縮算法。仿真結(jié)果與分析表明，該算法在保證信道反饋精度的同時，可顯著降低反饋量。

無線通信；MIMO-OFDM；壓縮反饋；空頻相關(guān)性

1 引言

大規(guī)模多輸入多輸出(Multiple Input Multiple Output, MIMO)系統(tǒng)在基站端使用數(shù)以百計的低功耗天線，通過波束賦形使得傳輸信號的能量更明確地指向期望方向，提升接收端的信噪比，提升系統(tǒng)吞吐量[1]。然而，為了通過使用大規(guī)模MIMO獲得性能增益，基站需要獲取信道狀態(tài)信息(CSI)。信道狀態(tài)信息的獲取可通過信道互易性，也可通過反饋獲得。但是，信道互易性并不適用于頻分雙工(Frequency Division Duplexing, FDD)系統(tǒng)。由于天線數(shù)過多，傳統(tǒng)的信道信息反饋降低方法，如矢量量化方法和基于碼本的方法等并不適用于大規(guī)模MIMO系統(tǒng)[2]。此外，未來移動通信系統(tǒng)中常常采用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing, OFDM)和MIMO相結(jié)合的傳輸模式，不同子載波的信道反饋也會加劇反饋帶來的開銷。因此，需要設(shè)計有效的算法來降低大規(guī)模MIMO-OFDM系統(tǒng)的反饋開銷。

近年來，壓縮感知(Compressed Sensing, CS)理論被廣泛應(yīng)用于信號處理和通信領(lǐng)域，為研究信道的壓縮反饋提供了新的思路。使用壓縮感知降低MIMO-OFDM系統(tǒng)中反饋量的方法主要從空間和頻域兩個角度來考慮。由于大規(guī)模MIMO-OFDM系統(tǒng)的天線間距小，信道往往具有較強的空間相關(guān)性[1,2]。文獻(xiàn)[1]利用了大規(guī)模MIMO的空間相關(guān)性，提出了信道模擬壓縮反饋方法，以更小的功率和更短的時間獲得了更好的反饋性能；文獻(xiàn)[2]也使用壓縮感知從空間角度來降低反饋開銷，提出了根據(jù)信道狀態(tài)變化自適應(yīng)調(diào)整壓縮比和將卡洛南-洛伊變換(Karhunen-Loeve Transform, KLT)，離散余弦變換(Discrete Cosine Transform, DCT)相結(jié)合的兩種自適應(yīng)壓縮算法，進(jìn)一步提升了反饋效率。在頻域角度，文獻(xiàn)[3]指出當(dāng)信道多徑數(shù)遠(yuǎn)遠(yuǎn)小于子載波數(shù)時，頻域信道矩陣在快速傅里葉變換(Fast Fourier Transform, FFT)矩陣上是稀疏的，也就是使用FFT變換矩陣作為頻域稀疏基可得到頻域信道的最稀疏表示。文獻(xiàn)[4-6]指出相鄰子載波上的信噪比具有高度相關(guān)性，所有子載波上信噪比構(gòu)成的信號是一種稀疏可壓縮的信號，并提出在頻域采用基于壓縮感知理論的壓縮反饋方法，在相同的反饋條件下獲得更好的系統(tǒng)吞吐量性能。文獻(xiàn)[7]在壓縮反饋的基礎(chǔ)上提出了基于特征值的反饋算法，進(jìn)一步提高了壓縮和反饋效率。

2 系統(tǒng)模型

其中表示用戶在子載波上的波束成形矢量。經(jīng)過信道傳輸后，第個用戶在第( )根接收天線第個子載波上收到的信號可以表示為

3 基于空頻相關(guān)性的信道壓縮反饋

3.1 壓縮感知簡介

3.2 信道空頻稀疏度分析

引理1 對于一個2維矩陣，如果矩陣的行與行之間是相關(guān)的，矩陣的列與列之間也是相關(guān)的，則該2維矩陣左乘一個正交矩陣，并不會改變矩陣行與行之間的相關(guān)性。同理，對此矩陣右乘一個正交矩陣，不會改變矩陣列與列之間的相關(guān)性。

證明 如果一個矩陣是正交矩陣，那么此矩陣是一個可逆矩陣，同時矩陣可逆等價于此矩陣可表示為若干個同階初等矩陣的乘積，所以矩陣同一個正交矩陣相乘，相當(dāng)于此矩陣和一系列初等矩陣的乘積相乘，根據(jù)矩陣初等變換的性質(zhì)，并不會改變此矩陣另一維的特性。

3.3 基于空頻相關(guān)性的信道壓縮反饋算法

本節(jié)分3部分來介紹所提的新算法：一是推導(dǎo)了空頻聯(lián)合稀疏基，二是給出了算法的具體實現(xiàn)過程，三是分析了算法的反饋量。

于是可以得到

根據(jù)文獻(xiàn)[9]中式(496)可得

3.3.2算法具體實現(xiàn) 根據(jù)上面的分析和推理，本文給出使用基于空頻相關(guān)性的信道聯(lián)合壓縮算法的具體流程圖，如圖2所示

根據(jù)圖2所示，所提出的新的信道壓縮反饋算法的具體步驟為：

圖2 信道聯(lián)合壓縮反饋算法流程圖

4 仿真與性能

4.1仿真與性能分析

對比信道稀疏表示前后的信道增益直方圖，通過觀察稀疏表示前后信道的特性變化來說明本文采用的稀疏表示方法的有效性。為使圖形更清晰，我們僅畫出其中64根天線64個子載波的情形，分別如圖3(a)和圖3(b)所示。

由圖3 (a)和圖3(b)可以看出，在對信道進(jìn)行稀疏表示前，信道增益在不同的發(fā)射天線和不同的子載波上，其增益值均是非零的，而且也不符合指數(shù)衰減的規(guī)律，不過信道增益在發(fā)射天線之間，子載波之間存在著相關(guān)性；經(jīng)過信道稀疏表示后，信道增益可用有限個非零值進(jìn)行表示，說明本文提出的稀疏表示方法是有效的。對比可看出，本文提出的聯(lián)合稀疏算法是有效的，可獲得信道信息的最稀疏表示。

下面采用上文推導(dǎo)出的稀疏基來對信道矩陣進(jìn)行壓縮，然后再對信道矩陣進(jìn)行恢復(fù)，并與原來的算法進(jìn)行對比。對于空間的相關(guān)性，采用DCT稀疏基，對于頻域的相關(guān)性，采用FFT變換稀疏基，對于聯(lián)合利用空間相關(guān)性和頻域間的相關(guān)性，采用所提算法推導(dǎo)出的稀疏基。仿真曲線如圖4和圖5所示。

圖3 稀疏表示前后信道增益直方圖

圖6是不同算法在相同壓縮比下信道容量隨信噪比變化曲線，由仿真結(jié)果可看出：本文提出的聯(lián)合壓縮算法的性能遠(yuǎn)遠(yuǎn)優(yōu)于現(xiàn)有的信道稀疏算法，可獲得接近于最理想反饋的性能。圖7是不同算法在不同壓縮比下的性能比較，可以看出，要使3種算法都獲得相近的性能，本文算法需要的壓縮比最小，也就是說所需要的反饋量最小。綜上所述說明，本文提出的聯(lián)合壓縮算法可以以最低的反饋量獲得接近于最理想反饋的性能。

4.2 復(fù)雜度分析

圖4 不同稀疏壓縮算法下的性能比較

圖5 不同空間稀疏壓縮算法下的性能比較

圖6 不同稀疏壓縮算法在相同壓縮比下信道容量隨信噪比變化曲線(壓縮比為0.16)

圖7 不同稀疏壓縮算法在不同壓縮比下信道容量隨信噪比變化曲線

表1 不同稀疏壓縮算法在接收端檢測時實現(xiàn)復(fù)雜度(OMP迭代次數(shù))之間的比較

5 結(jié)論

本文首先分析了大規(guī)模MIMO-OFDM系統(tǒng)的實際特性，介紹了現(xiàn)有的幾種降低信道信息反饋負(fù)載的算法，并分析了這些算法的不足。然后，提出了適用于大規(guī)模MIMO-OFDM系統(tǒng)的基于空頻相關(guān)性的聯(lián)合壓縮反饋算法，并推導(dǎo)出了相應(yīng)的聯(lián)合稀疏基。與僅利用空間相關(guān)性或僅利用頻域相關(guān)性進(jìn)行信道壓縮反饋的算法相比，所提算法可在進(jìn)一步降低系統(tǒng)反饋量的同時，以較低的復(fù)雜度保證信道信息反饋的精度。

[1] Lee Jun-ho and Lee Seung-hwan. A compressed analog feedback strategy for spatially correlated massive MIMO systems[C]. Vehicular Technology Conference (VTC Fall), Quebec City, Canada, 2012: 1-6.

[2] Kuo P, Kung H T, and Ting P. Compressive sensing based channel feedback protocols for spatially-correlated massive antenna arrays[C]. Wireless Communications and Networking Conference (WCNC), Shanghai, China, 2012: 492-497.

[3] 何雪云, 宋榮方, 周克琴.基于壓縮感知的OFDM系統(tǒng)稀疏信道估計新方法研究[J]. 南京郵電大學(xué)學(xué)報, 2010, 30(2): 60-65.

He Xue-yun, Song Rong-fang, and Zhou Ke-qin. Study of compressive sensing based sparse channel estimation in OFDM systems[J].(), 2010, 30(2): 60-65.

[4] Gao Huan-qin, Song Rong-fang, and Zhao Jun-xi. Compression of CQI feedback with compressive sensing in adaptive OFDM systems[C]. Wireless Communications and Signal Processing (WCSP), Suzhou, China, 2010: 1-4.

[5] 高歡芹, 宋榮方. 自適應(yīng) OFDM 系統(tǒng)中基于壓縮感知的反饋壓縮新方法[J]. 南京郵電大學(xué)學(xué)報, 2010, 30(3): 16-20.

Gao Huan-qin and Song Rong-fang. Compressed sensing based feedback compression in adaptive OFDM systems[J].(), 2010, 30(3): 16-20.

[6] 孫超. 基于壓縮感知的無線信道信息反饋的研究[D]. [碩士論文], 南京郵電大學(xué), 2011.

Sun Chao. Study of wireless channel state information feedback scheme based on compressed sensing[D]. [Master dissertation], Nanjing University of Posts and Telecommunications, 2011.

[7] 宋勇, 衛(wèi)國. MIMO-OFDM系統(tǒng)的CQI反饋壓縮改進(jìn)算法[J].中國科學(xué)技術(shù)大學(xué)學(xué)報, 2012, 40(8): 776-782.

Song Yong and Wei Guo. An improved CQI feedback compression algorithm for MIMO-OFDM system [J]., 2012, 40(8): 776-782.

[8] 石光明, 劉丹華, 高大化. 壓縮感知理論及其研究進(jìn)展[J]. 電子學(xué)報, 2009, 37(5): 1070-1081.

Shi Guang-ming, Liu Dan-hua, and Gao Da-hua. Advances in theory and application of compressed sensing[J]., 2009, 37(5): 1070-1081.

[9] Petersen K B and Pedersen M S. The Matrix Cookbook [OL]. http://orion.uwaterloo.ca/~hwolkowi/matrixcookbook.pdf, 2008.

[10] 孫超, 李永杰, 宋榮方. 基于壓縮感知的MIMO-OFDM系統(tǒng)信道狀態(tài)信息反饋方案研究[J]. 南京郵電大學(xué)學(xué)報, 2012, 32(1): 54-58.

Sun Chao, Li Yong-jie, and Song Rong-fang. Study on compressed sensing based CSI feedback scheme for MIMO-OFDM systems[J].(), 2012, 32(1): 54-58.

[11] Gwon Y, Kung H T, and Vlah D. Compressive sensing with directly recoverable optimal basis and applications in spectrum sensing. Harvard Computer Science Technical Reports TR-08-11 [OL]. ftp://ftp.deas.harvard.edu/ techreports/tr-08-11.pdf, 2011.

[12] Cotter S F and Rao B D. Sparse channel estimation via matching pursuit with application to equalization[J]., 2002, 50(3): 374-377.

[13] Gwon Youngjune, Kung H T, and Vlah Dario. Compressive sensing with optimal sparsifying basis and applications in spectrum sensing[C]. Global Communications Conference (GLOBECOM),Anaheim, America, 2012: 5386-5391.

[14] He Xue-yun, Song Rong-fang, and Zhu Wei-ping. Pilot allocation for sparse channel estimation in MIMO-OFDM systems[J]., 2013, 60(9): 612-616.

[15] Vlachos Evangelos, Lalos Aris S, and Berberidis Kostas. Stochastic gradient pursuit for adaptive equalization of sparse multipath channels[J]., 2012, 2(3): 413-423.

[16] Qaseem S T, Al-Naffouri T Y, and Alghadhban S. Compressive sensing for feedback reduction in MIMO broadcast channels[C]. 17th International Conference on Telecommunications (ICT), Doha, The State of Qatar, 2010: 356-361.

[17] Kim Kiyoen, Jang Seng-hun, and Kim Dong-ku. An efficient feedback scheme using compressive sensing for MIMO broadcast channel with random beamforming[C].2nd International Conference on Computer and Automation Engineering (ICCAE),Singapore, Singapore , 2010: 743-747.

[18] Qaseem S T and Al-Naffouri T Y. Compressive sensing for reducing feedback in MIMO broadcast channels[C].IEEE International Conference on Communications (ICC),Cape Town, South Africa, 2010: 1-5.

李曉輝： 女，1972年生，教授，研究方向為寬帶無線接入、無線資源管理、多天線技術(shù).

王維猛： 男，1989年生，碩士生，研究方向為多天線技術(shù)、波束賦形及信道反饋技術(shù).

黑永強： 男，1983年生，副教授，研究方向為MIMO及多用戶MIMO、無線資源優(yōu)化管理、智能進(jìn)化算法及其在無線通信中的應(yīng)用.

Compressed Channel Feedback Based on Spatial-frequency Correlation for Massive MIMO-OFDM Systems

Li Xiao-hui Wang Wei-meng Hei Yong-qiang

(,,’710071,)

In Massive MIMO-OFDM systems, the channel shows strong correlations in both spatial and frequency domain. Aiming at the problem that only spatial or frequency domain correlation is considered in most of the existing compressed feedback algorithms, a joint spatial-frequency compression algorithm is proposed. First, a two dimensional sparsity of channel in spatial-frequency domain is analyzed according to the compressed sensing theory. Then, a joint sparse matrix of channel is derived. Based on the joint sparse matrix, the joint spatial-frequency compression algorithm is presented. Simulation results and analysis show that, the proposed algorithm can significantly reduce the feedback load with acceptable accuracy.

Wireless Communication; MIMO-OFDM; Compressed-feedback; Spatial-frequency correlation

TN92

A

1009-5896(2014)05-1178-06

10.3724/SP.J.1146.2013.01048

李曉輝 xhli@mail.xidian.edu.cn

2013-07-17收到，2013-10-25改回

國家自然科學(xué)基金(61201135)，國家科技重大專項(2012ZX03001027-004)和高等學(xué)校學(xué)科創(chuàng)新引智計劃資助項目(B08038)資助課題