大规模3D MIMO中基于信道相关的LOS/NLOS识别算法
李君瑶, 常永宇, 曾天一    
北京邮电大学 信息与通信工程学院, 北京 100876
摘要

为了提高易受视距(LOS)和非视距(NLOS)传输影响无线应用的性能,对大规模三维多输入多输出(3D MIMO)系统中的LOS/NLOS识别进行了研究,针对实际场景,采用实际信道而非通常假设的理想准确信道,提出了一种改进的时-空-频信道相关识别算法TSFCI-1.识别过程包括3个阶段:根据LOS/NLOS用户不同的时-空-频特性定义测量;针对大规模3D MIMO中信道空间相关性不平稳的特点,对评价指标在空间间隔上求期望;使用时域信道信息进行建模和识别.在此基础上,考虑到天线双极化的影响,改进评价指标,并提出算法TSFCI-2.仿真结果表明,TSFCI-1和TSFCI-2的算法性能均优于对比算法6%以上,错误率分别低至1.92%和1.72%.此外,讨论了信噪比和时域径数对表现最好的TSFCI-2性能的影响.

关键词: LOS/NLOS识别     时间-空间-频率信道相关     大规模三维多输入多输出     信道估计    
中图分类号:TN929.531 文献标志码:A 文章编号:1007-5321(2020)01-0001-07 DOI:10.13190/j.jbupt.2019-052
Channel Correlation Based LOS/NLOS Identification for 3D Massive MIMO Systems
LI Jun-yao, CHANG Yong-yu, ZENG Tian-yi    
School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, China
Abstract

To improve the performance of some wireless technologies, which are susceptible to line of sight (LOS) and non line of sight (NLOS), LOS/NLOS identification in 3D massive multi-input multi-output (MIMO) system is studied. Based on channel correlation, an improved identification algorithm, TSFCI-1, is proposed, which uses actual channel information instead of the normally assumed ideal accurate channel. The process includes:defining measurement based on time-space-frequency properties of LOS/NLOS; in view of the unsteady spatial channel correlation for 3D massive MIMO systems, finding the expectation of measurement on the spatial interval; using channel information to construct the statistical identification model. Considering the influence of antenna dual-polarization, TSFCI-2 with better evaluation index is proposed. It is shown that the identification error of TSFCI-1 and TSFCI-2 is as low as 1.92% and 1.72%, with over 6% better than a previous study. Besides, the effects of signal to noise ratio and the taps number on TSFCI-2 with the best performance is discussed.

Key words: line of sight/non line of sight identification     time-space-frequency channel correlation     3D massive multiple-input multiple-output     channel estimation    

大规模三维多输入多输出(3D MIMO,3-dimensional multiple-input multiple-output)是第5代移动通信系统的关键技术,但该场景下视距/非视距(LOS/NLOS,line-of-sight/non-line-of-sight)识别未得到足够认识. LOS径在多径中占主导地位,但无线传输以NLOS为特征.在基于码本的开环波束赋形和空间约束大规模MIMO[1-2]场景下,LOS/NLOS会对良好传播造成影响,用户信道正交性[3]也与此密切相关.因此,准确识别LOS/NLOS对上述无线应用的性能提升十分必要.

相关技术在不同场景下已被提出.魏思菁等[4]提出了一种基于仿射传播聚类的LOS/NLOS的方法. Xu等[5]利用信道相关模型来进行MIMO-OFDM系统的LOS/NLOS识别. Zeng等[6]使用卷积神经网络模型分析了抽头能量矩阵,并识别LOS/NLOS.然而,以上工作存在3个问题:1)研究场景与大规模3D MIMO具有不同特征,原算法性能受限;2)需对信道信息进行额外处理,增加了开销;3)假设基站知道准确信道信息,实用性差.文献[6]中所提技术虽适用大规模3D MIMO场景,但机器学习技术使算法复杂度过高,现阶段基站处理能力很难达到要求.

针对以上问题,提出了基于时-空-频信道相关的识别算法-1(TSFCI-1,time-space-frequency correlation identification-1),并针对天线阵列交叉极化特性,提出改进的时空频相关识别算法-2(TSFCI-2,time-space-frequency correlation identification-2).在构建识别模型时,考虑了3D MIMO系统信道相关与空间分离不平稳的特性,避免了额外处理造成的开销,且使用估计信道信息进行识别,相比以往假设基站知道准确信道信息的工作,更具实用意义.

对3D MIMO系统的信道相关模型和采用的信道估计方法进行了介绍,提出了2种改进的LOS/ NLOS识别方案,说明了其识别原理,最后给出了仿真结果的对比分析,并讨论了一些影响因素.

1 系统模型、信道模型及相关方法 1.1 3D MIMO系统模型

仿真场景是单个城市宏小区,信道模型参数由第3代合作伙伴计划(3GPP,3rd generation partnership project)[7]的大规模3D MIMO模型指定.

在3GPP的大规模3D MIMO系统中,用户属于LOS或NLOS的概率与该用户和基站之间的距离密切相关.某用户是LOS用户的概率,表示为

$ \begin{array}{*{20}{c}} {{P_L} = {\rm{min}}\left( {\frac{{18}}{{{d_{{\rm{2D}}}}}},1} \right)(1 - {{\rm{e}}^{ - \frac{{{d_{{\rm{2D}}}}}}{{63}}}}) + {{\rm{e}}^{ - \frac{{{d_{{\rm{2D}}}}}}{{63}}}}(1 + }\\ {C({d_{{\rm{2D}}}},{h_{{\rm{UT}}}}))} \end{array} $ (1)

如果假设用户高度hUT都为0,且用户-基站2D距离d2D均大于18 m,则C(d2D, hUT) = 0,那么有

$ {P_L} = \frac{{18}}{{{d_{{\rm{2D}}}}}} + {{\rm{e}}^{ - \frac{{{d_{{\rm{2D}}}}}}{{63}}}}\left( {1 - \frac{{18}}{{{d_{{\rm{2D}}}}}}} \right) $ (2)
图 1 笛卡儿坐标系中球面角和球单位向量的定义

在仿真的散射模型中,任意2个多径对应的簇的位置和大小不相关,不同多径的相关系数相互独立,则发射天线单元p与接收天线单元q间的信道系数为

$ \begin{array}{*{20}{c}} {{\mathit{\boldsymbol{H}}^{p,q}}(l,t) = \sum\limits_{g = 1}^G {\sqrt {{P_{l,g}}} } \{ {c_{p,q,l,g}} \times }\\ {{\rm{exp}}({\rm{j}}2\pi {\lambda ^{ - 1}}{\mathit{\boldsymbol{d}}_p}{\mathit{\boldsymbol{\xi }}_{l,g}}) \times }\\ {{\rm{exp}}({\rm{j}}2\pi {\lambda ^{ - 1}}{\mathit{\boldsymbol{d}}_q}{\mathit{\boldsymbol{\psi }}_{l,g}}) \times }\\ {\quad {\rm{exp}}({\rm{j}}2\pi {\nu _{l,g}}t)\} } \end{array} $ (3)

其中:λ表示载波波长;G为每个多径包含的子径数;Pl, g指子径(l, g)的能量,lg分别指多径和其中的子径;cp, q, l, g是由发射和接收天线结构以及初始随机相位产生子径(l, g)的系数.当发射天线单元之间相距很近时,对于相同偏振下所有的发射天线单元,都有cp, q, l, gcq, l, g.此外,νn, g表示子径(l, g)的多普勒频率分量,dpdq分别为发射和接收天线单元pq的位置矢量;ξl, gψl, g分别为离开角和到达角联合向量.

1.2 时间-空间-频率相关模型

使用的时间-空间-频率信道相关模型在一定程度上参考了文献[5],并结合大规模3D MIMO进行了修正.对于一个上行传输发射和接收天线单元数分别为GtGr的3D MIMO系统,其信道冲激响应(CIR,channel impulse response)可以被表示为一个抽头延迟线模型,即

$ {h^{p,q}}(t,\tau ) = \sum\limits_{l = 1}^L {a_l^{p,q}} (t)\delta (\tau - {\tau _l}) $ (4)

其中:alp, q(t)为第l条多径分量的幅度系数,τl为对应的到达时间.

在3D MIMO信道模型中,假设用户只在水平方向以较低速度运动,则LOS分量asp, q(t)可以表示为

$ \begin{array}{*{20}{c}} {a_s^{p,q}(t) = {A^{p,q}}{\rm{exp}}( - {\rm{j}}2\pi (p - 1){d_t}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\phi _l}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\theta _l}) \times }\\ {{\rm{exp}}( - {\rm{j}}2\pi (q - 1){d_r}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\varphi _l}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\vartheta _l}) \times }\\ {{\rm{exp}}({\rm{j}}2\pi {f_D}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} ({\vartheta _l}){\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} ({\varphi _l} - {\varphi _\alpha })t)} \end{array} $ (5)

其中:Ap, q代表幅度的常数;dtdr分别为发射和接收天线单元间距;对于第l条多径,ϕlθlφlϑl分别为其离开角(AOD,angle of departure)和到达角(AOA,angle of arrival)的方位角和仰角,fD为最大多普勒频率;φα表示移动方向.

对式(4)应用离散傅里叶变换(DFT,discrete fourier transform),有子载波n的信道频率响应为

$ {\mathit{\boldsymbol{H}}^{p,q}}(n,t) = \sum\limits_{l = 1}^L {a_l^{p,q}} (t){\rm{exp}}( - {\rm{j}}2\pi n\Delta f{\tau _l}) $ (6)

其中:Δf为频率间隔,n = 1, 2, …, N-1,N为子载波总数.

Hp1, q1(n1, t)和Hp2, q2(n2, tt)的时间-空间-频率信道相关性可以表示为

$ \begin{array}{*{20}{c}} {R({p_1},{p_2},{q_1},{q_2},{n_1} - {n_2},\Delta t) \buildrel \Delta \over = }\\ {E\left\{ {{\mathit{\boldsymbol{H}}^{{p_1},{q_1}}}({n_1},t){{[{\mathit{\boldsymbol{H}}^{{p_2},{q_2}}}({n_2},t + \Delta t)]}^{\rm{H}}}} \right\}} \end{array} $ (7)

利用式(6),则式(7)中的相关性在频域可表示为

$ \begin{array}{*{20}{c}} {R({p_1},{p_2},{q_1},{q_2},{n_1} - {n_2},\Delta t) \buildrel \Delta \over = }\\ {\sum\limits_{l = 1}^L E \{ a_l^{{p_1},{q_1}}(t){{[a_l^{{p_2},{q_2}}(t + \Delta t)]}^*}\} \times }\\ {{\rm{exp}}( - {\rm{j}}2\pi \Delta f({n_1} - {n_2}){\tau _l})} \end{array} $ (8)

在文献[5]中,Hp, q(n, t)在子载波分离、时间分离和空间分离上均是广义平稳的.在该场景中,式(8)中E{alp1, q1(t)[alp2, q2(tt)]*}是p1p2q1q2的函数[8],但3D MIMO系统中,随天线规模增大,不同天线对之间的信道矩阵相关系数与空间分离并不完全平稳[9],针对这一特性,笔者提出一种改进的算法来适应大规模3D MIMO场景,以获得更好的识别性能.

1.3 基于IDFT的信道估计方法

为了使研究更加具有实际意义,考虑到现实中基站无法获知准确的信道信息,突破性地将使用基于反离散傅里叶变换(IDFT,inverse discrete fourier transform)的信道估计方法获得的信道用于LOS/NLOS识别,而非前人工作中使用的真实信道.

仿真考虑了路径损耗及噪声.在大规模3D MIMO中,LOS/NLOS有不同的路径损耗模型[7],噪声为高斯白噪声,具体的信道估计过程如下.

假设使用探测参考信号(SRS,sounding reference signal)导频序列同时对U个UE进行信道估计,UE以低速移动,且认为一个子帧内信道不变,因此在预处理中只取一个抽样点.为了避免引入符号间干扰,影响对算法性能的分析,舍去超过循环前缀的径.通过快速傅里叶变换(FFT,fast fourier transform)得到频域信道,模拟现实中导频发射-传播-接收的过程,则频域信道可表示为

$ \mathit{\boldsymbol{Y}} = \mathit{\boldsymbol{XH}} + \mathit{\boldsymbol{W}} = \sum\limits_{u = 1}^U {{\mathit{\boldsymbol{X}}_u}} {\mathit{\boldsymbol{H}}_u} + \mathit{\boldsymbol{W}} $ (9)

其中Y为接收到的导频向量,X为元素为发送导频信号的对角阵,第u个UE的SRS导频序列可以表示为${\mathit{\boldsymbol{x}}_u} = {{\rm{e}}^{{\rm{j}}{\omega _u}n}}\mathit{\boldsymbol{\overline r}} \left(n \right), \mathit{\boldsymbol{\overline r}} \left(n \right)$表示分配给该基站的序列,循环移位ωu = 2πnu/8,nu∈{0, 1, …, 7},对于任意子载波n上的导频符号有E[|xu(n)|2] = 1,导频子载波位置的信道频率响应为HuW为在导频子信道上叠加的加性高斯白噪声矢量.

最小平方(LS,least squares)频域信道估计算法被用于对接收信号进行第一步处理,即对式(9)中的H进行估计,求$\mathit{\boldsymbol{\widehat H}}$使得${(\mathit{\boldsymbol{Y}} - \mathit{\boldsymbol{\widehat H}})^{\rm{H}}}(\mathit{\boldsymbol{Y}} - \mathit{\boldsymbol{\widehat H}})$最小.令

$ \mathit{\boldsymbol{J}} = {(\mathit{\boldsymbol{Y}} - \mathit{\boldsymbol{\hat Y}})^{\rm{H}}}(\mathit{\boldsymbol{Y}} - \mathit{\boldsymbol{\hat Y}}) = {(\mathit{\boldsymbol{Y}} - \mathit{\boldsymbol{X\hat H}})^{\rm{H}}}(\mathit{\boldsymbol{Y}} - \mathit{\boldsymbol{X\hat H}}) $ (10)

其中:$\mathit{\boldsymbol{\widehat Y}} = \mathit{\boldsymbol{X}}\mathit{\boldsymbol{\widehat H}}$是经过估计信道后预期得到的导频输出信号;$\mathit{\boldsymbol{\widehat H}}$H的估计值.以${\mathit{\boldsymbol{\widehat H}}^{\rm{H}}}$为变量,对J求偏导并令其等于零,可得LS信道估计的结果

$ \mathit{\boldsymbol{\hat H}} = {\mathit{\boldsymbol{X}}^{ - 1}}\mathit{\boldsymbol{Y}} = \mathit{\boldsymbol{H + }}{\mathit{\boldsymbol{X}}^{ - 1}}\mathit{\boldsymbol{W}} $ (11)

但是,由于LS估计算法在估计时忽略了噪声的影响,所以在此基础上还需要进行去噪.结合式(9),有

$ \mathit{\boldsymbol{X}}_u^{\rm{H}}\mathit{\boldsymbol{Y}} = {\mathit{\boldsymbol{H}}_u} + \sum\limits_{j \ne u}^K {{\mathit{\boldsymbol{H}}_u}} {{\rm{e}}^{{\rm{j}}({\omega _j} - {\omega _u})}} + \mathit{\boldsymbol{X}}_u^{\rm{H}}\mathit{\boldsymbol{W}} $ (12)

利用离散傅里叶反变换,可获得用户设备(UE,user equipment)u的抽头能量分布,即时域信道矩阵

$ \begin{array}{*{20}{l}} {\mathit{\boldsymbol{\hat h}}(l) = {{\mathit{\boldsymbol{\hat h}}}_u}(l) + \mathit{\boldsymbol{\hat W}}(l) + }\\ {\sum\limits_{j \ne u}^U {{{\mathit{\boldsymbol{\hat h}}}_j}} \left( {l + |{\omega _j} - {\omega _u}|\frac{M}{8}} \right)} \end{array} $ (13)

其中$\mathit{\boldsymbol{\widehat h}}$(l)和$\mathit{\boldsymbol{\widehat W}}$(l)分别为第l条多径的信号和噪声.接下来使用一个窗函数

$ {Z_u}(l) = \left\{ {\begin{array}{*{20}{l}} {0,}&{l > {M_u}{\rm{ 或 }}|{\mathit{\boldsymbol{h}}_u}(l)| < {P_u}}\\ {1,}&{{\rm{其他}}} \end{array}} \right. $ (14)

其中:${M_u} = {\rm{min}}({\omega _{j, u}}M/8, {L_{cp}})$ωj, k为|ωj-ωu|的最小值,Lcp为循环前缀长度,Pu为对噪声进行归零的阈值,计算方式为先将所有径按照能量从小到大排序,则有${P_u} = \frac{1}{{{M_u}}}\sum\limits_{l = 0}^{l < {M_u}} {{{\left| {{\mathit{\boldsymbol{h}}_u}\left(l \right)} \right|}^2}} $,即Pu为窗外去噪后能量较低的Mu条径的能量均值.利用窗函数对时域信道进行处理,l>Mu和|hu(l)| < Pu两个条件分别用来进行窗外和窗内去噪,由于该方法可以很好地恢复CIR在时域的特性,所以可以认为经过去噪过程之后的信道能够被用来进行LOS/NLOS识别.

2 时-空-频相关LOS/NLOS识别模型 2.1 算法思路

大规模3D MIMO场景下,由于天线阵列布局和天线数目的变化,不同天线对之间信道相关性与空间分离不再完全平稳,因此考虑构建一个基于时间-空间-频率信道相关的数学统计模型,在处理时对选取的每对天线对之间的模型值求取期望,将LOS/NLOS的信道特征直观的区分开来;此外,不同于以往工作中假设基站知道准确的信道信息,研究突破性地模拟现实应用场景,让基站使用估计信道用于LOS/NLOS识别,以此使提出的算法能够在大规模3D MIMO场景中获得更好识别性能的同时,也更具实际意义.

2.2 算法步骤及分析

在大规模3D MIMO系统中,对于第l条多径有${R_{{a_l}}}({p_1}, {p_2}, {q_1}, {q_2}, \Delta t) = E\{ {a_l}^{{p_1}, {q_1}}\left(t \right){[{a_l}^{{p_2}, {q_2}}(t + \Delta t)]^*}\} $根据式(8),相关性系数可以表示为

$ \begin{array}{l} \rho ({p_1},{p_2},{q_1},{q_2},{n_1} - {n_2},\Delta t) \buildrel \Delta \over = \\ \frac{{R({p_1},{p_2},{q_1},{q_2},{n_1} - {n_2},\Delta t)}}{{[R({p_1},{p_1},{q_1},{q_1},0,0) + R({p_2},{p_2},{q_2},{q_2},0,0)]/2}} = \\ \frac{{\mathop \sum \limits_{l = 1}^L {R_{{a_l}}}({p_1},{p_2},{q_1},{q_2},\Delta t){\rm{exp}}( - {\rm{j}}2\pi \Delta f({n_1} - {n_2}){\tau _l})}}{{\mathop \sum \limits_{l = 1}^L \left[ {{R_{{a_l}}}({p_1},{p_1},{q_1},{q_1},0) + {R_{{a_l}}}({p_2},{p_2},{q_2},{q_2},0)} \right]/2}} \end{array} $ (15)

当用户存在LOS路径时,${R_{{a_1}}}({p_1}, {p_2}, {q_1}, {q_2}, \Delta t) = {R_{{a_s}}}({p_1}, {p_2}, {q_1}, {q_2}, \Delta t) + {R_{{a_d}}}({p_1}, {p_2}, {q_1}, {q_2}, \Delta t)$.

根据式(5),有

$ \begin{array}{*{20}{c}} {{R_{{a_s}}}({p_1},{p_2},{q_1},{q_2},\Delta t) = }\\ {\sigma _s^2{\rm{exp}}( - {\rm{j}}2\pi ({p_1} - {p_2}){d_t}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\phi _l}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\theta _l}) \times }\\ {{\rm{exp}}( - {\rm{j}}2\pi ({q_1} - {q_2}){d_r}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\varphi _l}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} {\vartheta _l}) \times }\\ {{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\rm{exp}}({\rm{j}}2\pi {f_D}{\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} ({\vartheta _l}){\rm{sin}}{\kern 1pt} {\kern 1pt} {\kern 1pt} ({\varphi _l} - {\varphi _\alpha })\Delta t)} \end{array} $ (16)

其中σs2是LOS分量的能量.

提出的LOS/NLOS识别模型可以表示为

$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \varGamma (N/2) \buildrel \Delta \over = E[\left| {\rho ({p_1},{p_2},{q_1},{q_2},N/2,\Delta t)} \right|] = \\ {\rm{E}}\left[ {\frac{{\left| {\sum\limits_{l = {\rm{ }}2k - 1} {{R_{{a_l}}}({p_1},{p_2},{q_1},{q_2},\Delta t) - \sum\limits_{l = {\rm{ }}2k} {{R_{{a_l}}}({p_1},{p_2},{q_1},{q_2},\Delta t)} } } \right|}}{{\mathop \sum \limits_{l = 1}^L \left[ {{R_{{a_l}}}({p_1},{p_1},{q_1},{q_1},0) + {R_{{a_l}}}({p_2},{p_2},{q_2},{q_2},0)} \right]/2}}} \right] \end{array} $ (17)

由于Hp, q(n, t)相对子载波分离是平稳的,为了方便研究,考虑n1n2 = N/2,那么式(8)中的指数项有exp (-j2πΔf(n1n2)τl) = exp (-jπ(l-1)) = (-1)l-1,其中τl = (l-1)/B.因此式(11)中的第2个等式可由第1个等式展开获得,故模型从理论上成立.

在仿真的系统中,每个用户只有一根天线,即Mt = 1,因此信道相关R(p1, p2, q1, q2, n1n2, Δt)与ρ(p1, p2, q1, q2, n1n2, Δt)分别可以简化为R(q1, q2, n1n2, Δt)及ρ(q1, q2, n1n2, Δt),则有

$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \varGamma (N/2) \buildrel \Delta \over = E[\left| {\rho ({q_1},{q_2},\Delta t)} \right|] = \\ {{E}}\left[ {\frac{{\left| {\sum\limits_{l = {\rm{ }}2,i - 1} {{R_{{a_l}}}({q_1},{q_2},\Delta t) - \sum\limits_{l = {\rm{ }}2k} {{R_{{a_l}}}({q_1},{q_2},\Delta t)} } } \right|}}{{\mathop \sum \limits_{l = 1}^L \left[ {{R_{{a_l}}}({q_1},{q_1},0) + {R_{{a_l}}}({q_2},{q_2},0)} \right]/2}}} \right] \end{array} $ (18)

从上述模型可以引申出2种具体的识别算法TSFCI-1和TSFCI-2.其中,对于TSFCI-1,考虑在计算数学期望时,对其所有相邻天线之间的相关性求期望,以解决不同天线对之间信道相关性不同导致的识别性能较差的问题.此外,由于仿真中基站天线是交叉极化的,所以对于TSFCI-2,当计算模型中的数学期望时,可以使选取的每一对对应的q1q2都是同一天线2个不同的极化方向. 2种算法具体的表示将在第3节中给出.

3 LOS/NLOS识别算法实现

定义${\mathit{\Upsilon }^{{q_1}, {q_2}}}\left({N/2} \right) = |\rho ({q_1}, {q_2}, N/2, \Delta t)|$,则有Γ(N/2) = E[Υq1, q2(N/2)].对于算法TSFCI-1,在计算模型Γ(N/2)中的期望时,令q1q2 = 1及q1 = 2, 3, …, Gr,对于LOS和NLOS条件,算法模型Γ(N/2)分别可以表示为

$ \begin{array}{*{20}{l}} {{\varGamma _{{\rm{LOS}}}}(N/2) = \frac{1}{{{G_{\rm{r}}} - 1}}\sum\limits_{q = 1}^{q = {G_{\rm{r}}} - 1} \quad Ƴ_{{\rm{LOS}}}^{q,q + 1}(N/2)}\\ {{\varGamma _{{\rm{NLOS}}}}(N/2) = \frac{1}{{{G_{\rm{r}}} - 1}}\sum\limits_{q = 1}^{q = {G_{\rm{r}}} - 1} {Ƴ_{{\rm{NLOS}}}^{q,q + 1}} (N/2)} \end{array} $ (19)

其中q表示基站天线.

对于算法TSFCI-2,在计算模型Γ(N/2)中的期望时,令q1q2 = 1及q1 = 2, 4, …, Gr.将第k个基站天线表示为qk,对于LOS和NLOS条件,算法模型Γ(N/2)分别可以表示为

$ \begin{array}{*{20}{l}} {{\varGamma _{{\rm{LOS}}}}(N/2) = \frac{1}{{{G_{\rm{r}}}/2}}\sum\limits_{k = 1}^{{G_{\rm{r}}}/2} \quad Ƴ_{{\rm{LOS}}}^{{q_{2k}},{q_{2k - 1}}}(N/2)}\\ {{\varGamma _{{\rm{NLOS}}}}(N/2) = \frac{1}{{{G_{\rm{r}}}/2}}\sum\limits_{k = 1}^{{G_{\rm{r}}}/2} {Ƴ_{{\rm{NLOS}}}^{{q_{2k}},{q_{2k - 1}}}} (N/2)} \end{array} $ (20)

在LOS的情况下,LOS分量的相关系数Ral(q1, q2, Δt)有一个确定的值σs2,该值是不会随着时间和空间间隔改变的,那么有

$ \begin{array}{l} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \mathop {{\rm{lim}}}\limits_{\Delta t \to \infty {\kern 1pt} {\kern 1pt} {\rm{or}}{\kern 1pt} {\kern 1pt} ({q_1} - {q_2}) \to \infty } Ƴ_{{\rm{LOS}}}^{{q_1},{q_2}}(N/2) = \\ \frac{{\sigma _s^2}}{{\sum\limits_{l = 1}^L {\frac{{{R_{{a_l}}}({q_1},{q_1},0) + {R_{{a_l}}}({q_2},{q_2},0)}}{2}} }} \end{array} $ (21)

在NLOS的情况下,相干时间和相关距离一般被认为是相当小的.因此,相比LOS条件下,对于典型的空间分离q1q2≥1,Ral(q1, q2, Δt)被认为是更小的.一般来说,当时间分离远大于相干时间或者空间分离远大于相关距离时,可以认为对应的相关系数近似为0,即

$ {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \mathop {{\rm{lim}}}\limits_{\Delta t \to \infty {\kern 1pt} {\kern 1pt} {\rm{or}}{\kern 1pt} {\kern 1pt} ({q_1} - {q_2}) \to \infty } Ƴ_{{\rm{NLOS}}}^{{q_1},{q_2}}(N/2) = 0 $ (22)

基于以上分析,Υq1, q2(N/2)背后隐藏的意义就在于LOS的情况下,模型式(15)的分子约等于σs2,而NLOS的情况下,模型分子显著小于LOS情况.因此,对于某个时间或者空间分离,有ΥLOSq1, q2(N/2)>ΥNLOSq1, q2(N/2).

因此,结合式(19)、式(20),可以得到大规模3D MIMO系统中识别LOS/NLOS的关键,对于TSFCI-1和TSFCI-2,均可以表示为

$ {\varGamma _{{\rm{LOS}}}}(N/2) > {\varGamma _{{\rm{NLOS}}}}(N/2) $ (23)

通过式(23),即可判断一个用户是否处于LOS条件下.

由于实际中不能达到Δt→∞or(q1q2)→∞,所以式(21)、式(22)只用于从理论上说明算法实现原理,仿真结果还要基于式(19)、式(20)进行分析.

4 仿真结果

在3D MIMO场景中,对所提方案和对比算法进行了仿真.参数选择遵从3GPP协议,主要参数如下.

假设抽头功率指数衰减,即εl2 = exp (-τl/τrms),每个K因子使用5万用户数据用于建模.

表 1 参数表格

对于LOS情况,第1条多径是视距分量和色散分量的和,即${a_1}^{p, q}\left(t \right) = {a_s}^{p, q}\left(t \right) + {a_d}^{p, q}\left(t \right)$.根据3GPP定义,K因子取值为$\kappa \buildrel \Delta \over = |{a_s}^{p, q}\left(t \right){|^2}/E(|{a_d}^{p, q}\left(t \right){|^2})$.令$|{a_s}^{p, q}\left(t \right){|^2} = {\sigma _s}^2$$E(|{a_d}^{p, q}\left(t \right){|^2}) = {\varepsilon _d}^2$,那么有$\kappa = {\sigma _s}^2/{\varepsilon _d}^2$.结合式(21)、式(22)分析可知,当K因子的取值不同时,σs2不同,LOS/NLOS识别模型的判决门限也是不同的,因此,为了提高算法性能,对K值不同的用户分别进行判决.虽然现实中基站不能直接获知用户的K值,但是可以得到一个估计值[10],因此算法具有实际应用可行性. 3D MIMO系统的K因子呈均值为9,方差为3.5的正态分布.为方便研究,在仿真中对K因子的取值设为0~20 dB.

4.1 所提算法与对比算法性能分析

在仿真中,为了避免引入符号间干扰,舍弃超过循环前缀的径,即时域径数Ml≤144.令Ml = 144,SNR为0,Gr = 64.识别示意如图 2所示,NLOS识别错误率PF和LOS识别错误率PM表 2所示.

图 2 TSFCI-1、TSFCI-2、Λ(N/2)模型分布(κ = 0)

表 2 算法识别错误率对照表 

K因子呈正态分布,算法识别错误率期望为

$ {P_e}(\kappa = 0) = {P_F}(\kappa = 0){P_{{\rm{NLOS}}}} + {P_M}(\kappa = 0){P_{{\rm{LOS}}}} $ (24)
$ E[{P_e}(\kappa )] = \int {\frac{1}{{\sqrt {2\pi } {\sigma _\kappa }}}} {P_e}(\kappa ){\rm{exp}}\left( {\frac{{{{(\kappa - \mu )}^2}}}{{2\sigma _\kappa ^2}}} \right){\rm{d}}\kappa $ (25)

其中μσκ分别为K因子的均值和标准差. Λ(N/2)、TSFCI-1和TSFCI-2的识别错误率期望分别为8.06%、1.92%、1.72%.由于考虑了大规模3D MIMO系统中信道矩阵相关系数在空间间隔上的不平稳,所以所提算法性能优于对比算法.

表 2可见,3种方法的性能都随着K因子的增大而获得提升.如式(21)、式(22)所示,K因子越大,计算的LOS测度越大,而NLOS测度不变.这使得两者测度分布之间的差距变得更大,从而减少了识别误差.

此外,与TSFCI-1计算所有相邻天线相关性期望不同,TSFCI-2只计算同一天线不同极化方向的期望,由式(21)、式(22)可知,其LOS测度大于TSFCI-1,因此模型分布差距比TSFCI-1更大.但因为q1q2 = 1,即只考虑相邻天线,且天线间距较小,所以相关性变化不大,性能相差较小.此外,TSFCI-2运算量仅为TSFCI-1的1/2,因此TSFCI-2的综合性能优于TSFCI-1.

4.2 SNR对TSFCI-2性能的影响

在工作中,还选取了综合性能最好的TSFCI-2算法,讨论了信噪比(SNR,signal to noise ratio)对其性能的影响.令Gr = 64,Ml = 144.仿真结果如图 3所示.

图 3 TSFCI-2识别NLOS错误率PF和LOS错误率PM

当SNR较小(-10, 0)时,随着SNR的提高,算法的性能会有一定程度的提升;SNR较大(10, 20, 30)时,性能没有明显提升.即在一定范围内,随着SNR从小到大,识别性能呈现一个先提升再逐渐趋于平缓的趋势.

出现这种现象的原因如下:当SNR较小时,有用信号能量远小于噪声能量,去噪过程难以区分噪声和有效信号,这导致信道估计误差大,原有的LOS/NLOS用户信道特征变得模糊,区分困难.而随着SNR变大,信道估计更加准确,算法性能得到提升.但当SNR不断增大,信道估计准确度到达极限,且去噪过程会除去能量较小的径,保留能量较大的径,此时,随着SNR继续增大,识别性能趋于平稳.

4.3 时域径数对TSFCI-2性能的影响

讨论了时域径数对TSFCI-2性能的影响.令Gr = 64,SNR为0,Ml = 6, 12, 24, 72,144,仿真结果如图 4所示.

图 4 TSFCI-2识别NLOS错误率PF和LOS错误率PM

径数为6~12时,算法性能明显提高;径数为12~144时,性能提升逐渐变小,直至趋于平稳.总体来看,径数对算法性能的影响较小.一定范围内,径数增多使得用于模型计算的径增多,LOS/NLOS的分布区分更明显,性能得到提高;但当径数继续增加,由于新增径能量较小或已被去噪过程置零,对算法性能不再有明显影响.综合考虑识别过程的计算量与识别准确率,建议时域径数选为12.

5 结束语

针对大规模3D MIMO中不同天线对之间的信道相关差异,提出了TSFCI-1和TSFCI-2两种基于时-空-频信道相关性的改进LOS/NLOS识别算法,并在识别中突破性地采用了估计信道信息.仿真结果表明,TSFCI-1和TSFCI-2的识别错误率分别低至1.92%和1.72%,均比对比算法降低了6%以上.另外,随着SNR的提高,TSFCI-2的性能呈现先提升再趋于平缓的趋势.综合考虑识别方案的效率和准确性,时域径数选择12较为合理.该方法可以显著提高定位系统等无线应用的性能,有利于信道相关性的研究.

参考文献
[1]
Aditya S, Molisch A F, Behairy H M. A survey on the impact of multipath on wideband time-of-arrival based localization[J]. Proceedings of the IEEE, 2018, 106(7): 1183-1203. DOI:10.1109/JPROC.2018.2819638
[2]
Masouros C, Matthaiou M. Space-constrained massive MIMO:hitting the wall of favorable propagation[J]. IEEE Commun Lett, 2015, 19(5): 771-774. DOI:10.1109/LCOMM.2015.2409832
[3]
Gao X, Edfors O, Rusek F, et al. Massive MIMO performance evaluation based on measured propagation data[J]. IEEE Trans on Wireless Commu, 2015, 14(7): 3899-3911. DOI:10.1109/TWC.2015.2414413
[4]
魏思菁, 周亭亭. 基于仿射传播聚类的LOS/NLOS环境识别算法[J]. 广东通信技术, 2017, 37(7): 45-50.
Wei Sijing, Zhou Tingting. Affine propagation clustering based LOS/NLOS environment recognition algorithm[J]. Guangdong Communication Technology, 2017, 37(7): 45-50. DOI:10.3969/j.issn.1006-6403.2017.07.012
[5]
Xu W, Zekavat S A R. Novel high performance MIMO-OFDM based measures for NLOS identification in time-varying frequency and space selective channels[J]. IEEE Commun Lett, 2012, 16(2): 212-215. DOI:10.1109/LCOMM.2011.112311.111802
[6]
Zeng T, Chang Y, Zhang Q, et al. CNN-based LOS/NLOS identification in 3D massive MIMO systems[J]. IEEE Commun Lett, 2018, 22(12): 2491-2494. DOI:10.1109/LCOMM.2018.2872522
[7]
3GPP TS 36. 873-V12. 3. 0, Study on 3D channel model for LTE (Release 12)[S]. 2016.
[8]
Lamahewa T, Kennedy R, Abhayapala T, et al. MIMO channel correlation in general scattering environments[C]//Proc 2006 Australian Communications Theory Workshop. Australian: IEEE Press, 2006: 93-98.
[9]
Zhang J, Zheng Z, Zhang Y, et al. 3D MIMO for 5G NR:several observations from 32 to massive 256 antennas based on channel measurement[J]. IEEE Wireless Commun, 2018, 56(3): 62-70.
[10]
Sadowski J. Estimation of Rician K-factor values in urban terrain[C]//2016 10th European Conference on Antennas and Propagation. Davos: Curran Associates Inc, 2016: 1-5.