首页资源分类嵌入式系统其他 > 大规模mimo

大规模mimo

已有 445125个资源

下载专区

上传者其他资源

    文档信息举报收藏

    标    签:mimo

    分    享:

    文档简介

    综述性原理及文章索引,适合初学者阅读

    文档预览

    Massive MIMO 参考文献一览表 研究热点方向 文献数目 具体参考文献 反馈机制 信道估计 [1]A Compressed Analog Feedback Strategy for Spatially Correlated Massive MIMO Systems [4] Achievable Channel Rate with Perfect and Compressed Information 4 [8]Compressive Sensing Based Channel Feedback Protocols for Spatially-Correlated Massive Antenna Arrays [14]Joint Spatial Division and Multiplexing: Realizing Massive MIMO Gains with Limited Channel State [2]A Compressed Analog Feedback Strategy for Spatially Correlated Massive MIMO Systems 4 [7]Comparison of Linear Precoding Schemes for Downlink Massive MIMO [9]CSI Estimation Method Based on Random Beamforming for Massive Number of Transmit [11]Decontaminating pilots in cognitive massive MIMO networks 天线问题 其他(硬件、滤 波等) 概念提出 [5]Achieving “Massive MIMO” Spectral Efficiency with a Not-so-Large Number of Antennas [6]Achieving Large Spectral Efficiency with TDD and Not-so-Many Base-Station Antennas 6 [15]Massive MIMO: How many antennas do we need? [16]Massive MIMO in the UL/DL of Cellular Networks: How Many Antennas Do We Need? [17]MIMO Cognitive Radios with Antenna Selection [18]Mutual Coupling Effects in Multi-User Massive MIMO Base Stations [3]A Compressed Analog Feedback Strategy for Spatially Correlated Massive MIMO Systems [10]Decentralized and Passive Model Order Reduction of Linear Networks With Massive 5 Ports [12]Evolution Concept and Candidate Technologies for Future Steps of LTE-A [13]High-Speed Low-Power Parallel Random Number Generator for Wireless Channel Emulators [19]PAR-Aware Large-Scale Multi-User MIMO-OFDM Downlink 1 [20]Noncooperative Cellular Wireless with Unlimited Numbers of Base Station Antennas(Thomas L.Marzett) 大规模 MIMO(Massive MIMO)综述 摘要:近些年来,Massive MIMO 技术以其在容量和性能上的巨大潜能吸引了广大研究人员的关 注。本文对 Massive MIMO 技术这一热点问题进行了概述,对 Massive MIMO 技术产生的背景, Massive MIMO 技术的原理,模型及其发展应用进行了全面的介绍。 关键词:Massive MIMO;反馈机制;信道估计;天线问题 0 引言 传统的MIMO技术并不能满足当代呈指数上涨的无线数据需求,而且面临着计 算复杂度高,成本高昂的回程链路的建设,较高的延时等问题。在 2010年底,贝尔 实验室科学家Thomas L.Marzetta提出了大规模MIMO,也叫Massive MIMO的概念。 Massive MIMO技术指基站天线数目庞大,而用户终端采用单天线接收的通信方式, 可作为目前移动通信系统的一种平滑的过渡方式 ,即不必大面积更新用户的终端设 备,通过对基站的改造,提高系统的频谱利用率。 Marzetta研究了一种时分双工(Time-Division Duplexing,TDD)的传输策略,在基 站天线数趋近于无穷时,通常严重影响通信系统性能的热噪声和不相干的小区间干 扰将可以被忽略不计,而且最简单的波束赋形,比如最大比合并接收机将会变成最 优。和LTE相比,同样占用20MHz带宽,Massive MIMO的小区吞吐率可以达到 1200MBit/s,频谱利用率达到了史无前例的60Bit/s/Hz/小区。 与以往干扰协调不同,Massive MIMO不再试图用协调不同的基站来进行合作传 输的方法减小干扰,而是通过数量众多的天线来早增加有用信号的功率,从而增加 信干比(SIR),以此来减少干扰的影响。 从信息论的角度看,当基站的天线数趋近于无穷,信道容量应该是无限大。但 是 在 实 际 应 用 的 场 景 中 , 这 并 不 成 立 。 唯 一 的 限 制 因 素 就 是 导 频 污 染 (Pilot Contamination),导频污染问题产生的主要原因是在上行信道估计中,相邻小区的用 户发送的训练序列非正交,到基站端进行信道估计的结果并非本地用户和基站之间 的信道,而是被其他小区的用户发送的训练序列污染之后的估计。目前并没有很有 效的方法可以完全消除导频污染。 1 Massive MIMO的反馈机制 在时分双工(Time-Division Duplexing,TDD)模式下,由于上行信道与下行信道在 相关时间内CSI具有互易性,BS是通过对上行信道特定导频估计系统下行信道CSI。 训练维度由总的用户终端天线确定,而基站天线数可以做的任意大。使用大量的基 站天线(远超于用户终端数)非常适合TDD,无论是就实现的吞吐量还是BS下行链 路的调度还是BS信号处理的简化。 在频分双工(Frequency-Division Duplexing,FDD)模式下,上行信道、下行信道不具 备互 易性 , 可 以通过 UT 进行 信道估计 得到接收 端信道状 态信 息 ( channel state information at receiver,CSIR) ,然后反馈若干比特使BS获得发端信道状态信息 ( channel state information at transmitter,CSIT) 。这种反馈的方式本身需要一定的信 道容量,随着发端天线的增多,系统需要更多反馈比特即更大的带宽传输反馈信息。 Massive MIMO 通过波束成形技术,可获得较大的阵列增益,或在发射功率一定 的条件下,显著提高信道容量,或相对应的降低了发射功率以达到相同的服务质量。 为实现 Massive MIMO 潜在增益,发送端必须知道准确的瞬时信道状态信息(CSI), 接收机需专门的反馈机制来报告 CSI。常规 CSI 反馈机制,如矢量量化和基于码本 的方法,并不适合 Massive MIMO 系统,特别是在 FDD 系统中。因为码本的尺寸变 得非常巨大,会造成较重的反馈负荷。此外,由此造成的量化误差使得对 CSI 估计 敏感的系统无法接受。因此,如何改善现有反馈机制,减小反馈开销并成功应用于 FDD 系统成为研究的热点。 压缩感知,低于奈奎斯特抽样频率进行抽样。CS 理论表明,相比于传统的方法, 可以通过较少的抽样样本恢复一定的信号。在无线传感器网络中,随机接入信道的 多用户检测问题似乎是 CS 的一个合适的应用。由于许多用户的低活跃性,在汇聚 点接收到的数据将是稀疏的。因此,融合中心可以用较少的样本恢复感知数据。 通 过观察大规模紧密排列矩阵强烈空间相关性,信道可以在空频域以稀疏形式表示。 CS 理论可为 CSI 反馈开发一种有效的压缩机制,因此 CS 同样在大规模 MIMO 中引 起了研究者的兴趣。 有限数字反馈大规模 MIMO 系统中用户反馈开销与发射天线的数和系统的信噪 比(SNR)成比例以达到最优 CSI 性能和复用增益。此外量化反馈的复杂性与发射 天线的数目成正比。基于此,文献[1]提出了一种压缩模拟反馈策略,充分利用大规 模 MIMO 系统的自相关特性,以减少反馈开销。通过压缩感知在移动台(MS)使 用稀疏逼近,低维映射和在基站(BS)实现基于反馈解压的凸松弛,该机制与传统 压缩模拟反馈策略相比,在考虑到反馈延迟的条件,每个移动台反馈开销更小, 功 耗更小,且能实现与未压缩机制相当的和速率。 图 1. 多用户 MIMO 的压缩模拟反馈 文献[4]探讨的是压缩感知对大规模MIMO系统信道速率的影响,仿真结果表明, 总体速率随着压缩率的增加而减小。文献[8]基于CS理论提出基于CS的自适应反馈协 议以及混合CS-KLT自适应反馈机制,发射机能够在大幅减少的信道反馈信息量下, 获得精确的CSI。。 图 2. 基于 CS 的 MIMO 系统反馈机制 预编码首先使用波束成形降低信道维度,然后在低维转换信道进行多用户预编 码。只有第二阶段,需要实时信道反馈,而在预波束成形阶段,仅需要缓慢变化的 信道协方差信息,它可以低协议开销来跟踪。文献[14]提出了联合空分复用(JSDM) 预编码,利用多用户 MIMO 下行链路中的信道向量的相关性结构,允许基站有大量 的天线,同时大大减少了用户端 CSI 反馈量。 总之,压缩率正比于基站的天线数,因为它在空间上使得信道信息稀疏以便应 用 CS 算法。CS 在处理 Massive MIMO 系统的 CSI 机制时有很强的灵活性。但是, 在实际系统中推行新的机制时,在反馈环节还有许多问题没有考虑,比如信道估计 误差、量化噪声和无线电损耗,这应在今后的研究中解决。 2 Massive MIMO的信道估计 所谓信道估计,就是从接收数据中将假定的某个信道模型的模型参数估计出来 的过程。理论分析证明,当天线数趋于无无穷时,快衰落、不完善CSI和不相关干扰 会消失,系统性能最终会受到导频污染的限制,这是由于在相邻小区内重复使用相 同的导频序列产生的。受导频污染的影响,信道估计成为系统性能提高主要瓶颈。 相邻小区间频率复用可能造成小区间干扰,限制了小区用户的服务质量,特别 是处于小区边缘用户。大规模 MIMO 系统通过在基站对每个小区使用波束成形技术 和预编码技术来防止多小区干扰。基于贝叶斯的协方差信息能够完全消去导频污染 的影响,文献[2]提出了信道估计阶段一种小区间低速率的协调机制,解决了存在导 频污染多小区信道干扰的环境下的系统信道估计问题。 文献[7]对 Massive MIMO 下 行链路系统线性预编码机制进行了比较,考虑一 BS 拥有天线数 N,每小区用户数 K 以相同速度趋于无穷,推导出不同预编码技术近似可达速率。 研究进一步证明了采 用简单的预编码机制,如 RZF,用户端拥有较小数量级的天线,即可获得远优于 BF 的系统性能。 传统的随机波束成型和压缩感知技术,通过利用空间相关性压缩了 CSI,但是, 下行链路信道状态信息(CSI)估计序列在较低 MAC 效率下,随着发射天线数增加, 计算量和 MAC 层效率损失变得很大。文献[9]提出了一种 Massive-MIMO 中,随机 波束成形权重的 CSI 反馈机制。首先随机产生波束成型权重,通过获得的 CSI,与 有限数目的 CSI 波束估计权重相对应,迭代修正。该方法可近似达到与传统的全天 线搜索 CSI 估计机制的性能。 先前研究文献建议使用波束成形的方法来消除次级用户的干扰,但若不能首先 获得精确的 CSI 估计,这在现实中是不可能实现的。信道估计同时受导频污染的影 响。文献[11]在 Underlay 模式下提出了一种新的导频分配方法,并设计了一种可利 用协方差信息的具有鲁棒性的信道估计器,解决主系统信道估计同时清除了次级发 射端造成的污染。 受到导频污染的影响,信道估计成为系统性能提高的主要瓶颈。目前并没有很 有效的方法可以完全消除导频污染,因此,如何有效消除导频污染,将是研究人员 在未来工作中的主要研究方向及研究热点。 3 Massive MIMO 的天线问题 多小区 MIMO 在 BS 配有大量的天线,基站需要根据用户终端发送的导频序列 进行信道估计。近来研究表明,随着天线数 N 的增加,(1)最简单的用户检测,匹配 滤波(MF)可达最优;(2)每个用户终端 UT 的发射功率可以任意小;(3)系统性能受 导频污染的限制。 对于 TDD 系统,利用信道互异性(channel reciprocity),发射端 CSI 可通过上 行导频信号获得。在这种情况下,训练序列开销与小区内活跃用户数目等比例增加, 但它与基站处协作天线数独立。因此,TDD 系统性能可通过增加基站天线数提高。 大规模 MIMO 系统能够在存在路径损耗和一定信道相干时间和相干带宽的实际环境 中,获得较好的频谱效率,但是其增益受维数瓶颈的限制。文献[5][6]的主要贡献是 提出一改进的 MIMO TDD 架构,能够在实现与 Massive-MIMO 相当的频谱效率的同 时,减少每一个活跃用户所需发射天线数 ——每个小区每个活跃用户需要的天线数 大约在 50-500 之间。 大规模时分双工(TDD)MIMO系统能够通过简单地增加天线提高系统容量,使用 信道互惠时信道训练开支会随着用户终端数线性增加而且独立于每个基站的天线数 目。但是,这都是基于对传播环境、硬件实现与实际部署中天线数量的理想假设。 文献[15][16]综合考虑了不完美CSI、导频污染、天线相关与路径衰落的实际系统模 型,考虑非合作多蜂窝时分双工系统的上下行链路,并且假定每个基站的天线数N 和每个蜂窝的用户终端数K很大。通过使用几个线性预编码器与检波器近似逼近可 实现速率,推导了每个用户终端(UT)达到最优性能 % 时,需要的天线数。 图3. 每个蜂窝中一个N天线基站和K个单天线用户端 MIMO能够提高数据速率,在CR系统中在主用户接收端要建立干扰控制。但是 MIMO系统中配备多个昂贵的射频链路使得硬件的成本和复杂度都增加很大,因此 天线选择技术为人们提出并进行了研究。 天线选择的基本出发点是在所有的天线中 选择出一部分“好的”天线来使用,既发挥MIMO系统的空间分集或复用的优点,又 降低其硬件复杂度。 针对以上问题,文献[17]提出了MIMO-CR系统中提高吞吐量同 时满足主用户干扰限制的新的收发天线选择技术, 大大降低了复杂度同时计算精度 很高。结果表明天线选择是未来MIMO-CR在主用户稀疏的环境下的有前景的选择。 对于PU密集区,天线选择可以解决CR局部问题。 大规模MIMO系统中,有限尺寸的基站拥有大数量的天线,天线以某种形式紧 密排列,易引起明显的天线元之间明显的空间相关性和耦合效应。 相互耦合和空间 相关性影响大规模MIMO系统的性能,这些影响实际限制了一定物理基站面积内的 最大天线数,超过这个限制不能进一步提高频谱效率。基于此,文献[18]考虑了不同 天线元素,比如偶极子天线、补丁和双极化补丁。天线阵列的全波仿真用于确定耦 合与空间相关,而不需要解析表达式,这在大多数实际场景中是不适用的。在实际 场景中使用半波长偶极子线性天线阵列,因为它们的空间相关性和相互耦合效应的 的解析表达式是已知的。 4 Massive MIMO系统中的其他相关问题 A. 自适应滤波 大规模MIMO自适应滤波的共性问题:计算复杂度很高(子信道的滤波器矩阵 阶数成百上千);亟待解决的底层的普通方程的矩阵严重病态的相关系数优化问题造 成的适应性能低,这种病态是由于滤波器输入信号不仅是自相关的而且还是高度交 叉相关的。 波域自适应滤波(WDAF)是高效的频域自适应滤波(FDAF)的空时推广。文 献[3]通过结合波场的数学基础知识,WDAF即使对于宽带信号高度交叉相关的大规 模MIMO系统也是适用的。文章创新性提出了关于WDAF的严格推导,得出一整类 强大 的具有紧 凑的矩阵 框架的 MIMO 自适 应算法。 同时展示 了 WDAF 和著 名算法 (FDAF算法)有效的近似。 B. 模型降阶 模型降阶(MOR)在减少互联电路复杂性,同时产生近似的输入输出关系方面 是一种高效技术。带有许多终端的线路的降阶模型是一个具有挑战性的问题。原因 之一是,现有的方法是基于集中式的框架,隐含地假设每个输入输出对处于平等地 位相互作用,传递函数的矩阵值完全填充。文献[10]基于输入输出相互作用强弱,提 出了一种分散降阶模型,把多入多出(MIMO)系统降阶成为多输入单输出(MISO) 系统,每个子系统都可以单独地降阶。去耦过程是基于相对增益矩阵,它衡量每个 输入-输出对的相互作用程度。对于每个去耦子系统,可通过现有降阶技术实现被动 降阶(passive reduction),所提出的方法适用于电阻的互联,衬底平面可以得到及其 紧凑的模型。仿真结果表明,该方法与现有方法相比存在一定的优势。 C. 信道仿真 随机数发生器(RNG)是信道仿真系统中不可缺少的计算或物理设备,用于测 试无线通信环境时产生随机数字或符号序列。RNG产生的这些序列应均匀分布,互 不相关,重现性好,可重复,可移植;可通过所有经验随机性测试,并能够利用有 限频谱资源迅速产生。混合格状自动机(CAG)是广义的移动寄存器发生器,简单、 本地互联及模块化的特点使得它们更易于在硬件中使用。文献[13]基于CA算法,提 出了产生并行不相关数据流的高速低功耗随机数发生器,而且可以用于超大规模集 成电路中,以测试MIMO系统。 D. 传输机制 大规模 MU MIMO 系统理论方面的研究获得业界显著的关注,但对实际的传输 方案了解甚少。实际的无线信道具有典型的频率选择性,较低的 PAR 预编码机制适 用于这样的信道。正交频分复用(OFDM)在频率选择性信道中是有效的方案,但 是会导致较高的峰均比(PAR),因此在基站处需要昂贵的 RF 元件。因此减少基于 OFDM 的大规模 MU MIMO 系统的 PAR 非常重要。 文献 [19]提出了一种新型的下行链路传送机制,该机制利用大规模多用 户 MIMO-OFDM 系统的(MU MIMO-OFDM)较大的自由度来获得较小的 PAR。具体 来说,就是共同执行 MU 预编码和 OFDM 调制,通过解决一个凸优化问题使得 PAR 减少。提出了快速迭代截断算法(FITRA),显示了较强的 PAR 较少能力。显著的 降低线性度的要求,最终可使得大型的 MU-MIMO-OFDM 系统下行链路使用廉价的 RF 组件。 图4. 大规模MU-MIMO-OFDM下行链路(左:N个传输天线的基站, 右:M个独立的单天线终端) 未来需要解决的问题:分析文中算法对PAR性能的保证是未来具有挑战性的工作。 另外,在不完全信道状态信息下对PMP(precoding, modulation,and PAR reduction)算法 影响的分析,以及降低文中迭代算法复杂度的工作也是未来需要解决的。 5 总结及展望 本文介绍了 Massive MIMO 的思想,并综合汇总了 Massive MIMO 的研究现状 及问题。目前,学术界关于 Massive MIMO 的研究才刚刚起步,仍有大量的与之相 关的研究方向值得关注。比如从信息论角度来看,Massive MIMO 的信道容量,随机 矩阵理论在 Massive MIMO 中的应用,最优波束成形和空时编码的研究等。文献[20] 指出,今后比较有潜力的研究方向包括: 1) 如何使用更少的天线数,而非无穷多的天线来获取更高的系统容量; 2) 如何减少导频污染; 3) 如何提出更复杂有效的预编码机制; 4) 如何将 Massive MIMO 在 FDD 系统的同时减少巨大的反馈开销等其他方面。 针对第一个方向,目前已有个别研究人员开始做这方面的工作。比如文献[4]中, 作者提出将用户根据地理位置,主要是离基站的距离的不同而分到不同的地理块中。 通过合理的调度和小区间的协作而跳高频谱利用率。这种策略可以达到 Marzetta 原 来提出的 Massive MIMO 的频谱利用率相当的水平,而天线数降为十分之一左右, 即从 500 个降到了 50 个左右。文献[15][16]则研究了要达到% 的极限性能所需要 的天线数以及要想使匹配滤波(Matched Filter)的方案达到 MMSE 检测器的性能需要 基站增加多少天线。而针对剩余几个方向的研究也并不成熟,,因此,Massive MIMO 各个研究方向都需要研究人员做进一步的探索。 虽然 Massive MIMO 需要基站有数量众多的天线,几百根天线就目前看来或许 有些不切实际,但对于四根或八根大功率天线而言,几百个小功率天线有可能成本 会更低。但 Massive MIMO 对数据处理芯片要求较高,尤其是对并行计算的要求。 随着芯片计算速度的发展及并行计算的普及,Massive MIMO 会引起越来越多的研究 人员的关注。 参考文献 [1]A Compressed Analog Feedback Strategy for Spatially Correlated Massive MIMO Systems [2]A Compressed Analog Feedback Strategy for Spatially Correlated Massive MIMO Systems [3]A Compressed Analog Feedback Strategy for Spatially Correlated Massive MIMO Systems [4] Achievable Channel Rate with Perfect and Compressed Information [5]Achieving “Massive MIMO” Spectral Efficiency with a Not-so-Large Number of Antennas [6]Achieving Large Spectral Efficiency with TDD and Not-so-Many Base-Station Antennas [7]Comparison of Linear Precoding Schemes for Downlink Massive MIMO [8]Compressive Sensing Based Channel Feedback Protocols for Spatially-Correlated Massive Antenna Arrays [9]CSI Estimation Method Based on Random Beamforming for Massive Number of Transmit [10]Decentralized and Passive Model Order Reduction of Linear Networks With Massive Ports [11]Decontaminating pilots in cognitive massive MIMO networks [12]Evolution Concept and Candidate Technologies for Future Steps of LTE-A [13]High-Speed Low-Power Parallel Random Number Generator for Wireless Channel Emulators [14]Joint Spatial Division and Multiplexing: Realizing Massive MIMO Gains with Limited Channel State [15]Massive MIMO: How many antennas do we need? [16]Massive MIMO in the UL/DL of Cellular Networks: How Many Antennas Do We Need? [17]MIMO Cognitive Radios with Antenna Selection [18]Mutual Coupling Effects in Multi-User Massive MIMO Base Stations [19]PAR-Aware Large-Scale Multi-User MIMO-OFDM Downlink [20]Noncooperative Cellular Wireless with Unlimited Numbers of Base Station Antennas

    Top_arrow
    回到顶部
    EEWORLD下载中心所有资源均来自网友分享,如有侵权,请发送举报邮件到客服邮箱bbs_service@eeworld.com.cn 或通过站内短信息或QQ:273568022联系管理员 高进,我们会尽快处理。