姓名：宋宇晨
学号：21011210084
学院：通信工程学院
【嵌牛导读】简要介绍信道参数提取算法研究背景
【嵌牛鼻子】信道参数
【嵌牛正文】：
无线通信系统应满足不断增长的传输容量需求，为了实现该目标，系统会引入各式各样的技术。系统设计者只有在获知准确的信道信息的前提下，才可能对系统中使用的各种技术在具体实现时进行优化[1-3]。面对5G连续广域覆盖、热点高容量、低功耗大连接和低时延高可靠这四大主要应用场景，在考虑不同应用技术共存可能性的前提下，需要有大量的无线物理层和网络层相应技术的组合来支撑，而这些底层技术的实现均会受到无线信道特性的制约[4,5]。因此，设计与评估5G系统需要有能捕获上述技术在信道上展现的特征的信道模型。基于几何的统计射线追踪模型已被业界普遍认可，其中QuaDRiGa还被第三代合作伙伴计划（3rd Generation Partnership Project, 3GPP）推荐为5G首选仿真平台[6]。然而要与具体应用场景适配，还需要为该模型输入场景的各种大小尺度参数，这些信道参数往往只能从大量的实际信道探测数据中得到，而要从探测数据中获取多维度的信道参数，目前使用最广泛的是SAGE算法[7]。 虽然其能获取信道的多维度参数，但是却存在收敛速度慢、运算复杂度高、容易收敛于局部最优解估计出虚假径以及不容易硬件实现等问题，因此研究新的高效而快速的信道全维度参数提取算法，对目前各种需要提取信道参数的无线通信系统具有显著意义。
在提高无线网络容量方面，多用户多输入多输出（Multi-User Multiple-Input Multiple-Output, MU-MIMO）技术被广泛应用[8]。在信道资源分配研究领域过去只关注于时频资源，而在目前的MU-MIMO 系统中，接入点（Access Point, AP）一般带有多根天线，因此可通过波束赋形技术抑制数据流之间的干扰，有效利用信道的空时频特性来实现基站与多个不同用户同时进行数据传输，极大的提高系统容量和频谱效率。然而，要实现有效的波束赋形，就需要相应的参数提取算法获取信道准确的空域角度信息。目前我国的基站技术领先，然而将其部署在网络上却难以发挥出其性能优势，究其原因是基站系统所配置的参数与实际通信场景不匹配。使用传统的路测（Driving Test, DT）方法测量信道，一方面已不能很好的表征5G高频段、高密度、多天线多波束的场景，另一方面，要通过路测获取整个网络的5G信道特性在各方面耗费巨大。因此，研究如何用5G 协议中的探测信号，例如探测参考信号（Sounding Reference Signal, SRS）[9]，来提取信道的空时频信息，对于在不同通信场景下实时自适应调整基站参数，提升系统容量从而改善用户体验具有重要意义[10]。
1.2课题国内外研究现状
1.2.1信道模型研究现状
目前常用的无线信道模型建模方法主要有：基于几何架构的随机信道模型（Geometrically Based Stochastic Models, GBSM）建模、基于相关的随机信道模型（Correlation Based Stochastic Models, CBSM）建模、Saleh-Valenzuela（SV）及其扩展模型建模和基于射线追踪（Ray Tracing, RT）的信道模型建模[11]。国内外各个研究组织针对massive MIMO信道的传播特征做了大量的实测分析后，建立的比较流行的信道模型包括WINNER[12-14]、MiWEBA[15]、COST[16,17]、NYU(Rappaport)、METIS[18]、3GPP TR38.901[19]、5GCM[20]、QuaDRiGa以及mmMAGIC[21]等。德国的弗劳恩霍夫·海因里希·赫兹研究所（Fraunhofer Heinrich Hertz Institute, HHI）提出的QuaDRiGa信道模型利用空间几何运算的方式解决了球面波前的建模[22,23]，该模型已经被工业界和学术界普遍接受并被3GPP推荐为5G首选仿真平台，因而本文将在QuaDRiGa信道模型的相关理论基础上进行信道参数提取算法的研究，致力于研究出一种更加适用于5G信道的参数提取算法来替代目前常使用的SAGE算法。
1.2.2信道探测系统研究现状
在众多信道参数提取研究中，一部分采用纯软件的信道建模方法来仿真和评估信道参数提取算法的性能。这种方式节省人力财力，是一种方便的MIMO信道和参数提取算法研究方法，但实际无线信道是时变的，同时还受到不同类型的干扰。因此，纯软件的方法无法对信道实现实时准确的测量与分析，也无法对实际通信环境进行有效评估。除了纯软件的信道测量系统，国内外还出现使用各种信道测量设备搭建的信道测量平台。国外典型代表有美国微软研究院推出的Sora无线电平台和弗吉尼亚理工大学的OSSIE平台，主要的标准商用信道测量设备有Elektrobit公司的PropSound，MEDAV GmbH公司的RUSK系列以及Agilent、R&S等公司的矢量网络分析仪[24]。这些无线信道测量设备非常昂贵而且系统带宽与采样率有限。国内典型代表为上海交通大学李林和唐亮教授采用基于linux的GUNRadio软件平台和通用软件无线电外设（Universal Software Radio Peripheral, USRP）硬件平台搭建的软件无线电信道测量系统，其测量和分析了在真实自由空间情况下MIMO信道的性能[25]，所使用的USRP设备价格适中且具有较好性能，本文在USRP硬件平台的既有能力前提下，致力于研究出一种低复杂度、快速高效且易于硬件实现的全维度信道参数提取算法。
1.2.3参数提取算法研究现状
为实现信道测量的目的，目前SAGE算法已被广泛应用于从探测数据中提取信道子路径上的参数，它是利用期望最大化（Expectation Maximization, EM）算法[26]的迭代来降低最大似然（Maximum Likelihood, ML）算法[27]复杂度的基于似然函数的算法。通过对多个子路径的多个参数（即，时延、入射方位角、入射仰角和多普勒频率）在不同的域中搜索并进行迭代，使得期望函数最大化并且收敛，从而获得这些子路径各自的参数估计[28]。然而，SAGE在几个参数上的迭代搜索会导致非常高的计算复杂度，虽然相比ML降低了算法的复杂度，但对计算、时间和存储资源的耗费仍然巨大，这对大规模信道测量活动非常不利。此外，当存在某几个参数相近的子路径或是初始参数值设置不合适时，SAGE还很容易收敛于局部最优解，估计出虚假径[1,45]。
DOA估计是雷达、声纳、无线通信、医学成像等各种工程应用的重要目标，其在各种应用场合下的应用已进行了深入的研究[29]。典型的DOA估计算法，例如多信号分类（Multiple Signal Classification, MUSIC） [30]、旋转不变性技术（Estimation Signal Parameter via Rotational Invariance Techniques, ESPRIT）[31]、矩阵束（Matrix Pencil, MP）[32]以及它们的变种算法 [33-36]本质上都是利用载波到达不同阵列单元的不同延时引起的相位差来估计角度的。这些方法大多需要采用矩阵的子空间分解对参数进行计算，而无需计算不同参数值下的似然函数值，因而计算量相对SAGE较小，但是其所能估计出的来波个数以及分辨能力受到阵列规模的制约。文献[37]提出了一种将时域相关和MUSIC结合的阵列PN序列响应多径角度估计（Multipath Angular estimation using the array response of PN Sequences, MAPS）算法，它首先使用经过调制的伪噪声（Pseudo Noise, PN）序列探测信道，然后在接收端用本地PN序列对接收信号做滑动相关，将多条到达路径先在时延域划分成多个时延簇，最后采用空域平滑MUSIC算法[33]处理每个时延簇的滑动相关峰值来提取子路径的角度参数，如此一来所要估计的路径数目可以远远超过阵元数目，而且提升了角度域的估计性能。使用空域平滑是因为在单发送端的信道探测系统中，无线信道的多个子路径上传输的是同一信号，因而多径信号的DOA估计问题对应于文献[33]中相干源的DOA检测问题。文献[37]中方法所用的空域平滑比较简单，仅是针对均匀线阵的前向平滑算法，对于相干信源的解析能力有限。此外，文献[37]也并未讨论子路径的复增益和多普勒频移估计问题，而在实际应用中，多普勒频移对PN探测序列相关值的影响会导致路径复增益提取精确性下降，因此本文将着重解决该问题。
此外，关于实际应用中，阵元间距不合适引起的相位模糊问题，文献[38]中的工作提出了一种不降低角度分辨力的解决方案。天线阵元间的互耦补偿以及多射频通道的校准问题在文献[39]和[40]中已有研究，因此本文不在这些方面做过多研究。
1.2.4 NR基站波束配置研究现状
采用预编码矩阵指示器（Pre-coded Matrix Indicator, PMI）的BF方案[10]是基于下行的信道估计结果。然而，下行信道的估计能力受到用户设备（User Equipment, UE）的硬件限制，通常无法从下行信道中获得足够精细的信道信息。SRS主要用于NR系统的上行信道信息采集，也可用于满足信道互易的时分双工系统的下行信道信息采集和上行波束管理。NR系统支持SRS时频资源的灵活配置，因此可对上行频率的不同子集所在的频率位置进行信道评估[9]。文献[10]提出了一种基于SRS的自适应下行波束形成方案，该方案利用BS接收到的子载波之间的相关系数来确定系统的波束配置。目前部署的BS常使用SRS得到的多通道CFR数据，然后对多通道的CFR做特征值分解处理，利用特征值信息来粗糙的部署波束和资源分配，或是直接将CFR带入角度估计算法中仅从空域区分子路径。实际上可以对CFR进行IFFT得到CIR，利用系统时域分辨力在将路径进行初步分离，再进一步用空域对子路径进行分离，从而能提取更精细的角度信息，但是由于OFDM系统采用最小二乘（Least Squares, LS）信道估计存在隐含的时域CIR泄露机理[41]，会导致不同路径的角度域信息在时域泄露到所有时延位置，因而需要一些预处理操作来保证所提取角度信息的质和量。本文将讨论如何使用存在功率泄露的CIR来提取基站采集数据中的角度信息，这里的角度信息主要是指子路径的角度和幅度。
1.2课题国内外研究现状
1.2.1信道模型研究现状
目前常用的无线信道模型建模方法主要有：基于几何架构的随机信道模型（Geometrically Based Stochastic Models, GBSM）建模、基于相关的随机信道模型（Correlation Based Stochastic Models, CBSM）建模、Saleh-Valenzuela（SV）及其扩展模型建模和基于射线追踪（Ray Tracing, RT）的信道模型建模[11]。国内外各个研究组织针对massive MIMO信道的传播特征做了大量的实测分析后，建立的比较流行的信道模型包括WINNER[12-14]、MiWEBA[15]、COST[16,17]、NYU(Rappaport)、METIS[18]、3GPP TR38.901[19]、5GCM[20]、QuaDRiGa以及mmMAGIC[21]等。德国的弗劳恩霍夫·海因里希·赫兹研究所（Fraunhofer Heinrich Hertz Institute, HHI）提出的QuaDRiGa信道模型利用空间几何运算的方式解决了球面波前的建模[22,23]，该模型已经被工业界和学术界普遍接受并被3GPP推荐为5G首选仿真平台，因而本文将在QuaDRiGa信道模型的相关理论基础上进行信道参数提取算法的研究，致力于研究出一种更加适用于5G信道的参数提取算法来替代目前常使用的SAGE算法。
1.2.2信道探测系统研究现状
在众多信道参数提取研究中，一部分采用纯软件的信道建模方法来仿真和评估信道参数提取算法的性能。这种方式节省人力财力，是一种方便的MIMO信道和参数提取算法研究方法，但实际无线信道是时变的，同时还受到不同类型的干扰。因此，纯软件的方法无法对信道实现实时准确的测量与分析，也无法对实际通信环境进行有效评估。除了纯软件的信道测量系统，国内外还出现使用各种信道测量设备搭建的信道测量平台。国外典型代表有美国微软研究院推出的Sora无线电平台和弗吉尼亚理工大学的OSSIE平台，主要的标准商用信道测量设备有Elektrobit公司的PropSound，MEDAV GmbH公司的RUSK系列以及Agilent、R&S等公司的矢量网络分析仪[24]。这些无线信道测量设备非常昂贵而且系统带宽与采样率有限。国内典型代表为上海交通大学李林和唐亮教授采用基于linux的GUNRadio软件平台和通用软件无线电外设（Universal Software Radio Peripheral, USRP）硬件平台搭建的软件无线电信道测量系统，其测量和分析了在真实自由空间情况下MIMO信道的性能[25]，所使用的USRP设备价格适中且具有较好性能，本文在USRP硬件平台的既有能力前提下，致力于研究出一种低复杂度、快速高效且易于硬件实现的全维度信道参数提取算法。
1.2.3参数提取算法研究现状
为实现信道测量的目的，目前SAGE算法已被广泛应用于从探测数据中提取信道子路径上的参数，它是利用期望最大化（Expectation Maximization, EM）算法[26]的迭代来降低最大似然（Maximum Likelihood, ML）算法[27]复杂度的基于似然函数的算法。通过对多个子路径的多个参数（即，时延、入射方位角、入射仰角和多普勒频率）在不同的域中搜索并进行迭代，使得期望函数最大化并且收敛，从而获得这些子路径各自的参数估计[28]。然而，SAGE在几个参数上的迭代搜索会导致非常高的计算复杂度，虽然相比ML降低了算法的复杂度，但对计算、时间和存储资源的耗费仍然巨大，这对大规模信道测量活动非常不利。此外，当存在某几个参数相近的子路径或是初始参数值设置不合适时，SAGE还很容易收敛于局部最优解，估计出虚假径[1,45]。
DOA估计是雷达、声纳、无线通信、医学成像等各种工程应用的重要目标，其在各种应用场合下的应用已进行了深入的研究[29]。典型的DOA估计算法，例如多信号分类（Multiple Signal Classification, MUSIC） [30]、旋转不变性技术（Estimation Signal Parameter via Rotational Invariance Techniques, ESPRIT）[31]、矩阵束（Matrix Pencil, MP）[32]以及它们的变种算法 [33-36]本质上都是利用载波到达不同阵列单元的不同延时引起的相位差来估计角度的。这些方法大多需要采用矩阵的子空间分解对参数进行计算，而无需计算不同参数值下的似然函数值，因而计算量相对SAGE较小，但是其所能估计出的来波个数以及分辨能力受到阵列规模的制约。文献[37]提出了一种将时域相关和MUSIC结合的阵列PN序列响应多径角度估计（Multipath Angular estimation using the array response of PN Sequences, MAPS）算法，它首先使用经过调制的伪噪声（Pseudo Noise, PN）序列探测信道，然后在接收端用本地PN序列对接收信号做滑动相关，将多条到达路径先在时延域划分成多个时延簇，最后采用空域平滑MUSIC算法[33]处理每个时延簇的滑动相关峰值来提取子路径的角度参数，如此一来所要估计的路径数目可以远远超过阵元数目，而且提升了角度域的估计性能。使用空域平滑是因为在单发送端的信道探测系统中，无线信道的多个子路径上传输的是同一信号，因而多径信号的DOA估计问题对应于文献[33]中相干源的DOA检测问题。文献[37]中方法所用的空域平滑比较简单，仅是针对均匀线阵的前向平滑算法，对于相干信源的解析能力有限。此外，文献[37]也并未讨论子路径的复增益和多普勒频移估计问题，而在实际应用中，多普勒频移对PN探测序列相关值的影响会导致路径复增益提取精确性下降，因此本文将着重解决该问题。
此外，关于实际应用中，阵元间距不合适引起的相位模糊问题，文献[38]中的工作提出了一种不降低角度分辨力的解决方案。天线阵元间的互耦补偿以及多射频通道的校准问题在文献[39]和[40]中已有研究，因此本文不在这些方面做过多研究。
1.2.4 NR基站波束配置研究现状
采用预编码矩阵指示器（Pre-coded Matrix Indicator, PMI）的BF方案[10]是基于下行的信道估计结果。然而，下行信道的估计能力受到用户设备（User Equipment, UE）的硬件限制，通常无法从下行信道中获得足够精细的信道信息。SRS主要用于NR系统的上行信道信息采集，也可用于满足信道互易的时分双工系统的下行信道信息采集和上行波束管理。NR系统支持SRS时频资源的灵活配置，因此可对上行频率的不同子集所在的频率位置进行信道评估[9]。文献[10]提出了一种基于SRS的自适应下行波束形成方案，该方案利用BS接收到的子载波之间的相关系数来确定系统的波束配置。目前部署的BS常使用SRS得到的多通道CFR数据，然后对多通道的CFR做特征值分解处理，利用特征值信息来粗糙的部署波束和资源分配，或是直接将CFR带入角度估计算法中仅从空域区分子路径。实际上可以对CFR进行IFFT得到CIR，利用系统时域分辨力在将路径进行初步分离，再进一步用空域对子路径进行分离，从而能提取更精细的角度信息，但是由于OFDM系统采用最小二乘（Least Squares, LS）信道估计存在隐含的时域CIR泄露机理[41]，会导致不同路径的角度域信息在时域泄露到所有时延位置，因而需要一些预处理操作来保证所提取角度信息的质和量。本文将讨论如何使用存在功率泄露的CIR来提取基站采集数据中的角度信息，这里的角度信息主要是指子路径的角度和幅度。
