基于SOMP方法的分布式MIMO系統載波頻偏估計

黃艷艷，彭華

?

基于SOMP方法的分布式MIMO系統載波頻偏估計

黃艷艷，彭華

（信息工程大學信息系統工程學院，河南 鄭州 450002）

首先根據高階循環累積量的半不變性重新推導了信號和高階循環累積量之間的關系式，然后利用SOMP方法聯合重構出多個接收天線信號的高階循環累積量，最后通過主要非零高階循環累積量對應的循環頻率和頻偏的四倍關系，得到多個發送信號的頻偏估計。與現有算法相比，所提算法充分利用接收信號間的相關性，提高了低信噪比下的多頻偏估計性能，降低了導頻數量。

分布式多輸入多輸出系統；多載波頻偏估計；同步正交匹配追蹤；聯合重構

1 引言

分布式多輸入多輸出（MIMO, multiple input multiple output）系統是指基站端天線分布在相互間隔較遠的地理位置，移動端也分布在不同地理位置的通信系統[1]。與基站端和移動端天線集中式放置的集中式MIMO系統相比，分布式MIMO系統的信道相關性更弱，能夠獲得更高的系統容量和小區覆蓋率[2]，因此得到了廣泛的關注。分布式MIMO系統中發送端和接收端之間頻率振蕩器的失配，使系統中存在多個載波頻偏，影響系統性能，需要采取有效的多頻偏估計算法對多頻偏進行估計。

文獻[3]給出了平坦衰落信道下多頻偏估計的最大似然（ML, maximum likelihood）估計算法。該算法通過對接收信號的多維頻偏信道似然函數進行多維聯合最優化，從而得到多頻偏。但是多維頻偏信道似然函數的維度會隨著收發天線數的增加呈指數級增加，算法復雜度較高。文獻[4]給出了一種基于相關的多頻偏估計算法。該算法在發送端布置多個相互正交的導頻，并在接收端將某個發送信號對應的導頻與接收信號做相關運算，得到信號的頻偏估計。該算法將多維搜索簡化為多個一維搜索，降低了文獻[3]的算法復雜度，但該算法存在誤差平臺，即當信噪比大于一定值時，估計性能無法得到顯著改善。文獻[5]采用多重信號分類（MUSIC, multiple signal classification）和ML方法估計多頻偏。相比于文獻[3-4]，該方法降低了算法復雜度，避免了誤差平臺的產生。但是隨著收發天線數的增加，信號間的相互干擾增強，算法性能下降。此外，上述文獻需要大量的導頻符號來得到高精度的頻偏估計，降低了系統的頻譜利用率。

文獻[6]提出了一種多尺度多時延（MSML, multi-scale multi-lag）的水聲信道模型，采用修正的粒子群優化（MPSO, modified particle swarm optimization）算法對水聲信道的多普勒尺度因子、時延和幅度等參數進行估計。所提算法根據參數粒子當前的最優適應值不斷迭代參數粒子的位置和速度，得到參數的局部最優值，并能同時得到所有路徑上的參數。相比于傳統的匹配追蹤算法和分數傅里葉變換算法，所提算法具有更好的信道參數估計性能。文獻[7]以最大化能效為目標，對大規模多輸入多輸出頻分雙工（MIMO FDD, multiple input multiple output frequency division duplexing）下行系統的信道估計和數據傳輸這2個階段的資源分配問題，提出一種能效資源分配算法。

本文針對分布式MIMO系統，利用信號高階循環累積量在循環頻率域的稀疏特性，提出了一種基于分布式壓縮感知（DCS, distributed compressive sensing）[8-10]理論的多頻偏估計算法。所提算法根據高階循環累積量的半不變性引入對角線投影等矩陣運算，重新推導了接收信號與高階循環累積量之間的表達式。利用同步正交匹配追蹤（SOMP, simultaneous orthogonal matching pursuit）[11-12]算法聯合重構所有接收天線上的高階循環統計量，根據主要非零高階循環累積量對應的循環頻率和載波頻偏的四倍關系，得到多個發送信號的頻偏。該算法能夠在接收天線數增加的情況下提高重構成功率和低信噪比下的頻偏估計性能，同時降低導頻數量，提高頻譜利用率。

2 信號模型

3 基于SOMP方法的多頻偏估計

則有

其中，有

(17)

表1 估計范圍、復雜度比較

4 仿真實驗

實驗1 考察本文算法與文獻[4-5]算法的頻偏估計性能。文獻[4]是Yao算法，文獻[5]是聯合MUSIC+ML算法。圖1給出了本文算法與文獻[4-5]算法頻偏估計的均方誤差隨信噪比變化的曲線。

圖1 頻偏估計的均方誤差隨信噪比變化的曲線

由圖1可知，本文算法在低信噪比下的性能明顯優于文獻[4-5]算法，且避免了文獻[4]在中高信噪比下的誤差平臺。本文算法通過在循環頻率域上精細搜索得到頻偏估計值，并利用了高階累積量在循環頻率域上的稀疏特性，高階累積量具有較好的抗噪性，因此所提算法在低信噪比下的性能較好；而文獻[4]則是將正交性導頻與接收信號進行相關運算，在低信噪比下導頻正交性易被破壞，算法性能較差；文獻[5]利用噪聲子空間和信號子空間的正交性進行頻偏估計，低信噪比下正交性易被破壞，算法性能較差。

在中高信噪比下，本文算法充分利用了信號間的相關性，隨著信噪比的提高和接收天線數的增加，聯合重構循環累積量的概率增大，頻偏估計性能提高；文獻[4]中信號間干擾無法隨著信噪比的增加而減小，因此該算法具有誤差平臺；文獻[5]中信號子空間和噪聲子空間的正交性顯著，但隨著收發天線數的增加，信號間干擾變強，算法性能提升有限。

表2給出了文獻[4-5]和本文算法的性能比較。

表2 性能比較

圖2 不同接收天線數下的頻偏估計性能曲線

由圖2可以看出，隨著接收天線數和信噪比的增加，本文算法的頻偏估計性能有所提高。這是因為本文算法能夠充分利用多個接收天線信號間的相關性，且隨著接收天線數的增加，算法的重構成功率得到了提高，頻偏估計性能得到提升。

實驗3 考察本文算法所需的導頻數。此時信噪比為10 dB，數據長度為[128,512]，接收天線數分別為2、3、4、5。圖3給出了不同導頻數據量下的頻偏估計性能曲線。

圖3 不同導頻數據量下的頻偏估計性能曲線

從圖3可以看出，隨著接收天線數的增加，當頻偏估計的均方誤差為10?5時，算法所需的導頻數變少，這是因為本文算法可以充分利用信號間的相關性，降低了達到某一性能時所需的導頻數。

圖4 不同下的頻偏估計性能

5 結束語

針對現有基于導頻的頻偏估計方法估計精度有待進一步提高的問題，本文提出了一種基于分布式壓縮感知的分布式MIMO系統頻率估計方法。對于多個調制信號來說，高階循環統計量在循環頻率上具有稀疏特性，可用于辨識各個信號及其頻率。但直接利用信號的高階循環統計量進行頻偏估計，算法的運算量較大。為了提高頻偏估計精度，同時減少算法運算量，本文算法對多個接收天線上的信號進行聯合觀測，建立高階循環統計量和觀測數據的關系，利用SOMP方法聯合重構所有接收天線上的高階循環統計量，得到相應循環頻率上的頻率估計值。本文算法相比ML算法，將多維搜索問題轉化為一維搜索問題，降低了算法的復雜度；相比Yao算法，則有更大的頻偏估計范圍，避免了誤差平臺的發生，能夠提高低信噪比下的估計性能；相比MUSIC算法，能夠提高低信噪比下的估計性能。隨著接收天線數和待估參數的增加，本文算法能夠充分利用信號間的相關性，降低在多接收天線下頻偏估計的工作量，提高頻偏估計性能。

[1] 何春龍, 任紅, 鄭福春, 等. 分布式天線系統:資源分配與能效優化[J]. 信息科學: 中國科學, 2017, 47(5): 591-606. HE C L, REN H, ZHENG F C, et al. Distributed antenna systems: resource allocation and energy efficiency optimization[J]. Information Science: Science China, 2017, 47(5): 591-606.

[2] 王清. 多小區和大規模分布式天線技術研究[D]. 濟南: 山東大學, 2016. WANG Q. Research on multicell and massively distributed antenna techniques[D]. Jinan: Shandong University, 2016.

[3] BESSON O, STOICA P. On parameter estimation of MIMO flat-fading channels with frequency offsets[J]. IEEE Transactions on Signal Processing, 2003, 51(3): 602-613.

[4] YAO Y, NG T S. Correlation-based frequency offset estimation in MIMO system[C]//IEEE Vehicular Technology Conference. 2003: 438-442.

[5] 董偉, 李建東, 呂卓, 等. 基于MUSIC和ML方法的MIMO系統參數估計[J]. 電子與信息學報, 2008, 30(7): 1552-1556. DONG W, LI J D, LV Z, et al. Parameter estimation for MIMO system based on MUSIC and ML methods[J]. Journal of Electronics &Information Technology, 2008, 30(7):1552-1556.

[6] ZHANG X, SONG K, LI C G, et alParameter estimation for multi-scale multi-lag underwater acoustic channels based on modified particle swarm optimization algorithm[J].IEEE Access, 2017, 5: 4808-4820.

[7] WANG Y, LI C G, HUANG Y M, et al. Energy-efficient optimization for downlink massive MIMO FDD systems with transmit-side channel correlation[J]. IEEE Transactions on Vehicular Technology, 2016, 65(9): 7228-7243.

[8] BARON D, DUARTE M F, WAKIN M B, et al. Distributed compressive sensing[C]//IEEE International Conference on Acoustics Speech and Signal Processing. 2009: 2886-2889.

[9] PALANGI H, WARD R, DENG L. Distributed compressive sensing: a deep learning approach[J]. IEEE Transactions on Signal Processing, 2016, 64(17): 4504-4518.

[10] 周躍海, 吳燕藝, 陳東升, 等. 采用時域聯合稀疏恢復的多輸入多輸出水聲信道壓縮感知估計[J]. 電子與信息學報, 2016, 38(8): 1920-1927. ZHOU Y H, WU Y Y, CHEN D S, et al. Compressed sensing estimation of underwater acoustic MIMO channels based on temporal joint sparse recovery[J]. Journal of Electronics & Information Technology, 2016, 38(8): 1920-1927.

[11] DETERME J F, LOUVEAUX J, JACQUES L, et al. On the noise robustness of simultaneous orthogonal matching pursuit[J]. IEEE Transactions on Signal Processing, 2017, 65(4): 864-875.

[12] JIN S, ZHANG X. Decentralized iterative reweighted algorithm for recovery of jointly sparse signals[C]//IEEE Wireless Communications and Networking Conference. 2015: 2109-2114.

[13] GARDNER W A, BROWN W A, CHEN C K. Spectral correlation of modulated signals: Part II-digital modulation[J]. IEEE Transactions on Communications, 1987, 35(6): 595-601.

[14] XIE L J ,WAN Q. Cyclic feature-based modulation recognition using compressive sensing[J]. IEEE Wireless Communications Letters, 2017, 6(3): 402-405.

[15] PUNCHIHEWA A, ZHANG Q, DOBRE O A, et al. On the cyclostationarity of OFDM and single carrier linearly digitally modulated signals in time dispersive channels: theoretical developments and application[J]. IEEE Transactions on Wireless Communications, 2010, 9(8): 2588-2599.

[16] BI D J, XIE Y L, LI X F, et alA sparsity basis selection method for compressed sensing[J]. IEEE Signal Processing Letters, 2015, 22(10): 1738-1742.

[17] TEMLYAKOV V N. Nonlinear methods of approximation[J]. Foundations of Computational Mathematics, 2003, 3(1): 33-107.

[18] TSAI Y R, HUANG H Y, CHEN Y C, et al. Simultaneous multiple carrier frequency offsets estimation for coordinated multi-point transmission in OFDM systems[J]. IEEE Transactions on Wireless Communications, 2013, 12(9): 4558-4568.

Carrier frequency offsets estimation for distributed MIMO system based on SOMP method

HUANG Yanyan , PENG Hua

Information System Engineering College, Information Engineering University, Zhengzhou 450002, China

By utilizing the half invariant property of high-order cyclic cumulants, the equation of signals and its high-order cyclic cumulants was rederivated first. Then simultaneous orthogonal matching pursuit (SOMP) method was used to jointly reconstruct multiple receiving signals’ high-order cyclic cumulants. At last, according to the fourfold relationship between carrier frequency offsets and cyclic frequencies of main non-zeros high-order cyclic cumulants, multiple transmitting signals’ carrier frequency offsets were obtained. Comparing with existing algorithms, the correlation between receiving signals is fully used by the proposed algorithm, the carrier frequency offset estimation performance at low signal to noise is improved and the pilots numbers are reduced.

distributed multiple input multiple output system，multiple carrier frequency offsets estimation, simultaneous orthogonal matching pursuit, jointly reconstruction

TN911.7

A

10.11959/j.issn.1000?436x.2018142

黃艷艷（1986?），女，浙江樂清人，信息工程大學博士生，主要研究方向為分布式MIMO系統的同步與均衡技術等。

彭華（1973?），男，江西萍鄉人，博士，信息工程大學教授、博士生導師，主要研究方向為軟件無線電和通信信號處理。

2017?10?19；

2018?07?16

黃艷艷，18638575039@163.com

國家自然科學基金資助項目（No. 61401511）

The National Natural Science Foundation of China (No. 61401511)