一种改进的HOSVD降噪的信道预测算法

孙德春，李 玉

(综合业务网理论及关键技术国家重点实验室(西安电子科技大学)，西安 710071)

多输入多输出(Multiple-Input Multiple-Output, MIMO)系统可以利用自适应调制，预编码，功率注水等预处理技术实现更好的性能，这些技术都需要提前知道当前时刻的信道状态信息(Channel State Information, CSI).频分双工(Frequency Division Duplex, FDD)系统将接收端估计的CSI反馈到发送端，但信道时变使反馈的CSI迅速过时，引起容量的损失.在时分双工(Time Division Duplex, TDD)系统中，通常利用上下行信道的互易性来获得CSI，再对发送信号进行预处理，但由于获得的CSI与真实CSI存在误差，降低了信道容量[1].文献[2]表明信道预测可以有效地弥补这种损失.

现有的信道预测算法可以大致分为基于正弦和SOS(Sum of Sinusoidal)模型的算法，基于自动回归(Autoregressive, AR)模型的算法和其他扩展算法.SOS算法[3-6]用谱估计的方法来确定与各个正弦波相关的参数，例如幅度、多普勒频移、相位，并将其外推到将来时刻叠加预测出可靠的CSI.基于AR模型的算法通常是指线性预测器，慢时变AR模型系数可以通过最小化均方误差(Minimum Mean Square Error, MMSE)准则[7]计算，对于快变系统，其预测性能急剧下降.为了更好地追踪快变系统信道系数的变化，学者们提出了各种有效的自适应技术[8-10].对于其他的扩展算法，主要有基于回声状态网络[11]、长短期记忆网络[12]等信道预测算法.

MIMO信道具有多维结构，但上述算法大多是基于二维模型，直接在信道上进行预测，忽略了其内在结构，文献[13]将基于张量的预测框架与简单的线性滤波器相结合，提出基于张量的维纳滤波预测算法.为了降低算法的复杂度并改善其通用性，文献[14]提出了基于高阶奇异值分解(High Order Singular Value Decomposition，HOSVD)降噪的信道预测算法，即在利用传统算法预测CSI前，先使用HOSVD降噪.该算法的局限性是，对多普勒频移及天线数较少比较敏感，导致其预测性能急剧恶化.

对此，本文提出了一种改进的信道预测算法.该算法首先对估计的信道进行数据平滑处理，随后利用HOSVD对平滑后的信道矩阵降噪，最后使用递归最小二乘(Recursive Least Squares, RLS)滤波器进行信道预测.数据处理部分可以平滑噪声并解决因天线数较少而引起的秩不足的问题，从而改善文献[14]中算法的不足.在载波频率为2 GHz、最大多普勒频移为50 Hz(移动速度为27 km/h) 的市区拥堵场景下对所提算法的性能进行了仿真验证.

1 信道模型

在TDD系统中，考虑一个时变MIMO瑞利平坦衰落信道，t时刻采样的信道脉冲响应可以表示为一个复矩阵h(t)∈MT×MR，其中MT和MR分别是基站发送和用户接收天线数.实际中，由于估计误差和噪声的影响，得到的CSI并不理想.因而，可以将估计的CSI建模为

式中n(t)是噪声，服从复高斯分布.对于采样间隔为TS，N个采样的CSI可以表示为

2 信道预测算法

2.1 数据处理

为了降低多普勒频移以及天线数对预测算法性能的影响，该文提出在基于HOSVD降噪前，利用空时相关性，对估计的CSI进行平滑.

本文使用空时平滑来重构数据结构，N个采样点分为P个过采样子阵，每个子阵包括L=N-P+1个采样点.定义第P个子阵的选择矩阵为

fp=[0M1L×M1(p-1)IM1L0M1L×M1(P-p)].

2.2 HOSVD降噪

Y=X×nU∈I1×I2×…×In-1×Tn×In+1×…×IN，

式中：酉矩阵U1∈M1×M2PL，U2∈L×M1M2P和U3∈M2P×M1L分别是1-mode，2-mode和3-mode奇异向量，S是大小为M1×L×M2P的核心张量.

(1)

(2)

式中[·]H表示共轭转置.

可以看出如果直接使用HOSVD降噪，当M2

2.3 信道预测

设滤波器的记忆长度为K，抽头权重向量w(n)=[w0(n)w1(n) …wK-1(n)]T，期望输出d(u)和滤波器实际输出y(u)的误差为

RLS算法通过最小化下面的代价函数来更新抽头系数

式中：n和u分别为当前和过去的时刻，σ是正则化参数，λ是遗忘因子，其取值范围为0≤λ≤1.当λ=1时，表示每个时刻的误差权重一样，等同于一般的最小二乘算法；λ=0代表只有当前时刻的误差起作用，其他时刻的误差被遗忘.抽头权重可以通过梯度下降法最小化上面的代价函数递归得到.

整个改进算法的流程见图1.

图1 提出算法的流程图

3 仿真结果

本文通过仿真实验对提出的算法，文献[14]中的算法(图中数据是对文献[14]算法进行复现得出，使用相同的假设，不一样的场景)以及直接信道预测算法(简称为RLS)进行比较.使用归一化均方误差(Normalized Mean Aquare Error, NMSE)来衡量预测误差，定义为

3.1 复杂度分析

对于3种算法的复杂度，因最后都需使用RLS进行信道预测，只需对比降噪的复杂度即可.表1给出了两种算法降噪的复杂度，仿真中P=10，L=61，提出算法降噪的复杂度约为文献[14]的8.7倍.

3.2 仿真分析

实验均采用瑞利衰落的统计信道模型，参数设置为：采样时间Ts=1 ms，CSI采样数N=70，预测未来30个采样点的信道信息.

表1 HOSVD降噪复杂度

图2 NMSE随信噪比的变化曲线

图3是收发天线对为6×2，最大多普勒频移为50 Hz时不同方法所获得的信噪比与NMSE的关系曲线.可以看出，该文所提算法降噪后的误差和预测误差都明显低于对比算法的误差.对比图2、图3可以得出，文献[14]算法和提出算法的估计误差和预测误差均随天线数减少而上升.这是因为天线数减少会引起秩不足，使张量在空域上的秩等于天线数，难以区分开噪声子空间和信号子空间，减弱了降噪效果，进而降低预测性能；同时，因为提出算法使用矩阵重排和空时平滑来解决秩不足问题，使其估计误差低于对比算法，进而提高预测性能.

图3 NMSE随信噪比的变化曲线

图4是在收发天线对为6×6，信噪比为10 dB时NMSE随最大多普勒频移的变化曲线.从图4中可以看出，NMSE随最大多普勒频移增加而增加；无论是降噪后的误差还是预测误差，提出算法的性能均明显优于对比算法，这是由于提出的算法在HOSVD降噪前，对噪声进行平滑，从而导致更低的误差.

图5画出了收发天线对为6×2，信噪比为10 dB时NMSE随最大多普勒频移的变化曲线.文献[14]算法和提出的算法均优于RLS，但对于最大多普勒频移大于70 Hz时，文献[14]算法的性能几乎与RLS性能一致，而提出的算法预测误差低于对比算法，因此，提出的算法可以更好地减小多普勒频移的影响.

图4 NMSE随最大多普勒频移的变化曲线

图5 NMSE随最大多普勒频移的变化曲线

图6是不同信道预测算法下，基于SVD传输的注水容量的累积分布函数.其信噪比为5 dB，最大多普勒频移为50 Hz.可以看出，由于预测信道与实际信道存在误差，使信道容量低于理想容量.结合图2、图3的预测误差和图6中收发天线对为6×2、6×6时的信道容量，可对比出，提出算法能有效降低天线数少引起的秩不足问题对预测误差的影响，从而减小了容量的损失.

图6 信道容量的累积分布函数

图7仿真了信噪比为10 dB，收发天线对分别为6×6和6×2时，最大多普勒频移对信道容量的影响.可以看出，3种预测算法的信道容量随多普勒频移增加而降低，这是由于多普勒频移的增加会提高预测误差，进而影响信道容量.同样地可对比出，提出算法可以最大程度地补偿信道容量的损失.

图7 信道容量随最大多普勒频移的变化曲线

Fig.7 Change curves of channel capacity with the maximum Doppler shift

4 结 论

本文提出了一种改进的信道预测算法，先对采样的CSI使用平滑重构信道矩阵，随后对重构的信道矩阵在张量域降噪，最后使用RLS算法进行信道预测.该算法充分利用了MIMO信道的多维结构特性，将张量域降噪和预测分离开，可以降低传统的张量框架下预测算法的复杂度.同时，平滑使算法可以有效地降低多普勒频移以及天线数较少引起的秩缺失问题对预测误差的影响，从而提高信道容量.仿真结果验证了所提算法的性能.