针对5G的Massive MIMO关键技术研究及演进思路

郑丽利

（西安理工大学电气工程学院 陕西省西安市 710048）

1 引言

历经三十年的时间，我国通讯技术从2G发展到了4G，2G其相对于上一代通讯技术，在技术层面加入了更多的多址技术，包括TDMA（Time Division Multiple Access）和CDM（Code Division Multiple Access），2G的技术核心是数字语音传输。但由于技术限制所以无法完成如直接传送电子邮件、软件等信息，但在一些条件下，短信类信息可以被传送，但是其本质仍是只具有通话和一些简单信息如时间日期等信息传送的手机通信技术规格。2G主要的全球化技术规格指标为GSM(Global System for Mobile Communication)。但其仍具有网络不稳定，传输速率低，维护成本高等缺点。第三代通信技术3G的通信标准于2008年被提出。其中无线、数据和电话是其三大关键技术，拥有3G技术的手机可以成功无线通信及互联网等技术，拥有了处理传输音频、图像等功能，而且拥有了更好更稳定的传输速率与质量。4G通信技术在相对于前几代通信技术除了在通讯速率、兼容性、通信质量等基本指标上有提升之外，其中添加了OFDM（Orthogonal Frequency Division Multiplexing）、MIMO（Multiple-in Multiple out）、智能天线技术、软件无线电技术、使其无线通信的信号更加稳定，然而随着移动数据流量的增长，对于通信系统的耗能也急剧增加，4G通信技术已经难以满足人们对于通信效率的要求，而5G相对于以往的通信技术拥有更好的利用效率及能效，在用户安全、时效性、无线覆盖能力及信息传输质量等方面也有着质的飞跃。欧盟于2013年2月正式启动了面向5G的研究项目 METIS (Mobile and wireless communications Enablers for the 2020 information society)，而同年6月，我国的5G技术研发也正式启动，在2015年2月发布的5G概念白皮书中提出了5G的概念，其中包含着5G的性能指标：“Gbps用户体验速率”及关键技术：Massive MIMO技术、高频段传输技术、超密集组网、自组织网络、内容发布、技术等。

Massive mimo 技术作为5G的关键技术之一是指在mimo技术的基础上在通信系统的收发端设置多个天线传输线路进行独立传输，在其基站配置天线数量较传统的mimo基站大幅增加[1]。如图1所示。

使基站充分利用其系统的空间自由度，在同一频资和功率的前提下服务于更多用户，提高其接入网络的频资与信道容量和数据传输的效率，而且提高了通信链路的稳定性与安全性，降低了误码率。

图1：传统 MIMO VS Massive MIMO

图2：小区用户频效比较图

图3：不同预编码容量比较图

而massive mimo的关键技术包括：信道估计技术、预编码技术、信号检测技术以及天线列阵校准等技术等。信道估计技术：对接收到的衰弱后的信号进行合理估计以计算出补偿参数，经过调整使其达到译码要求。目前信道估计非盲估计、盲信道估计、半盲信道估计，三种为常用方其中非盲估计最为常用。[2]对于不同系统需要采用不同的信道估计方法，例如对于FDD（Frequency Division Duplexing,）系统，需要对上行信道进行集中进行估计，而对于下行链路则要分步进行。而对于TDDT(ime Division Duplexing)系统则需要根据信道交互性来进行道估计。[3]预编码技术：在已知CSI（Channel State Information）的情况下通过一定的技术进行预处理，改变发射机的发射功率、速度及方向等参数使信号特征与信道特征相匹配以提高系统性能；其分为线性预编码及非线性预编码两个部分，而前者比后者计算难度大，更适合用于实际当中[3]，而线性预编码当中在同一信噪比的情况下MMSE比ZF和BD技术更为实用[4]。信号检测技术：对信号进行处理以找出获取信息的最优解，其中分为线性检测和非线性检测前者，复杂度低适用于多天线情况，后者复杂度高适用于天线数量较少场景。[2]目前线性检测的主要算法有迫零（ZF）检测、最小均方误差检测(MMSE,Minimum Mean Square Error)非线性检测算法有球形译码（SD），等。[3]天线阵列校准技术根据其，可分为“路校准”和“场校准”两种校准方法[5]，而两者的区别就是获取信号的位置的不同，前者的信号来源于传输线，通常采用在同轴线或微带线中设计定向耦合器的方式来实施，而后者的信号来自于阵列的辐射场，采取在场中设立天线的方式来进行对阵列的校准。小区用户频效比较图如图2所示。

图4：不同算法BER与天线数关系目[7]

图5：MIMO校准电路图[5]

图6：定向耦合器天线模块[5]

接下来将对上述的信道估计技术、预编码技术、信号检测技术以及天线列阵校准技术进行介绍论文接下来在第二章介绍信道估计主要技术和方法第三章介绍不同种类预编码。第四章介绍信号检测的方法，第五章介绍天线阵列的误差分析及校准方法。第六章讲Massive MIMO 技术发展所面临的挑战及总结。

2 信道估计

为了对所接收到的信号进行检测首先需要获得SCI，而这个获取过程就是信道估计。

2.1 无CSI反馈的信道估计

2.1.1 基于TDD系统的信道反馈

基于TDD系统所进行的信道估计可以仅依靠信道的交互性来完成对于信道的估计，并不需要CSI的反馈。基站在接收到频导经过一定的运算处理获得上行信道的CSI，并以此来计算出下行信道CSI。[6]

2.1.2 最小均方误差信道估计

目前大部分关于信道估计的研究都是建立在信道理想化的前提下，即将研究建立在信道独立的前提上。而在实际应用中难以完成理想化，信道之间往往相关，因此采用最小方均误差进行信道估计可以减小非理想化信道所带来的影响具体把有限维度信道模型中角域进行划分，之后用数据建立对角矩阵，用对角线数据对损耗和阴影进行模拟，其公式如下：[6]

2.2 带CSI反馈的信道估计

其中最为常见的就是基于FDD系统的信道估计，因为FDD系统的上下频带不同所以上下两个链路所产生的SCI也不同，因此对于上下两个链路需要采取不同的方法进行信道估计，首先由系统用户向基站发出频道序列，基站接收后对于上行信道的特殊序列进行集中的信道估计，而对于下链路所接受的CSI则需要基站先向用户发送频道序列后经过用户的反馈，再次发送回基站。因为其需要反馈的特性所以，基于FDD的信道估计的方法所需要的时间与基站天线数目有关，且成正比关系。因此，虽然信道估计技术本身并不受基站天线数量的影响，但是需要进行CSI反馈的信道估计方法并不适用于天线数量过于庞大的场景。

3 预编码

预编码是对于所接收的信号进行处理以降低用户之间相互的影响和环境中噪声所产生的影响，以此来消除频导污染。而预编码有主要分为线性和非线性两大类别。

3.1 线性预编码

线性预编码有迫零（ZF, Zero Forcing）、匹配滤波（MF）、最小均方误差。预编码等线性预编码由于具有复杂度较低，计算简单等优点，在实际应用中是很好的选择。不同的线性预编码间也存在差异。

3.1.1 MMSE预编码

在多小区系统中，导频污染的主要来源是非正交序列，所以在设计预编码方案时，必须考虑训练序列的分配，而MMSE 预编码则可以有效地减少频导污染，与单小区场景的区别在于，该方法可以通过求解目标函数的最优解得到，其中目标函数——多单元 MMSE 预编码矩阵的主要作用是计算同一小区用户接收信号的均方误差和交叉小区用户间发生的均方干扰。

基于 MMSE 的预编码器可以降低小区间和小区内的干扰，从而得到特定单小区预编码方案下的性能增益，此外，MMSE 的信道估计适用于前向链路，其估计值满足[6]

3.1.2 ZF预编码

图7：“辅助单元法”应用于阵列校准[5]

图8：“自校准法”应用于阵列校准[5]

ZF与MMSE的算法原理基本相同，区别在于MMSE在考虑算法时通过预编码对噪声进行了预处理，从而比较误码率性能较优；ZF算法则与MMSE基本一致，只是噪声系统等参数设置不一样。

3.1.3 BD线性预编码

当用户配备天线数为多天线时，ZF 预编码不再适用，由此引入 BD预编码。它的关键技术是收发端协调波束成形技术。为了可以达到消除用户之间的相互影响的目的，其主要是将下行信道分解为多个独立的平行或正交的单用户 MIMO 信道。

由图3可知，在Massive MIMO场景下，由于线性预编码算法不能有效处理系统噪声，因此仅适用于信噪比较高的场景。

3.2 非线性预编码

3.2.1 DPC（Dirty Paper Coding）预编码

脏纸编码是非线性预编码的代表，其原理就是用白纸上的墨点来比喻在信息传输的过程中产生的信号干扰，在已知，墨点位置和大小信息的情况下，就可以知道当墨点不存在时纸张上的信息，也就是当已知干扰信号信息使，就可以对信号干扰进行消除，但这种方法由于计算量过大，所以在非理想状态下即在现实中难以应用。

3.2.2 THP（Tomlinson-Harashima Precoding）预编码

THP预编码最初用以 减少（ISIInter Symbol Interference)，后来在MIMO系统中来消除多用户所造成的干扰。主要原理是通过串行方式，用后反馈的用户信息来消除先前反馈的用户之间的干扰，以此来提高预编码性能。[2]

4 信号检测

因为在传输的过程中会产生信号干扰，为了在所接受的信号中尽最大可能获得最准确的信息，对于所接收信号的处理及检测方式就极为重要。而检测的计算方法会随着基站中天线数量不断增加，所以传统的信号检测方法在Massive MIMO 中并不适用，所以为了保证获取信息的准确性又要尽可能降低计算难度，对于Massive MIMO 的信号检测主要分为线性检测和非线性检测。[1]

4.1 线性检测

线性检测是指在接收信号端将信号用线性滤波器进行信号分离，而根据其算法不同所需要的线性检测器也不同，主要分为ZF、MMSE、MRC（Maximum Ratio Consolidation），不同的方法主要是根据其应用场景的天线数量、信噪大小以及方法应用的复杂度来选择。其相关表格如表1所示。

表1：不同线性信号检测算法比较表

ZF算法的核心是通过信道矩阵的伪逆矩阵的线性变换对于接收量进行线性变换，但由ZF算法去除干扰时会增加噪声的特性，所欲在噪声占比较高时ZF算法性能优于其他算法。[8]

MMSE算法的核心是通过矩阵转换将信号发送的矢量与其滤波器输出的矢量之间的均方误差最小化，但由公式（2）可知此算法与其他算法不同：其在运用时需要知道噪声方差。[8]

MRC是线性检测中最简单的算法，但其要求进行计算的矩阵具有良好的正交性，但只有在天线数量较低时才能获得较低的误码率。[7]数据如图4所示。

4.2 非线性检测

由于线性检测所需要的理想条件——信道具有正交性和天线数目无限趋近于无穷，难以实现。所以在massive MIMO 的信号检测技术中，非线性检测是热点研究技术之一。其中最大似然法(ML, Maximum Likelihood)最为适合在MIMO系统中应用，其核心是通过概率模型使从样本中抽取的观测值概率最大。

SD(Sphere Decoding)算法是常用算法，SD算法是基于TB(Tree Based)，算法，[6]其本质就是一个ML解码器。因为SD算法本身具有极高的复杂度，所以只适用于天线数目较低的场景但是因其只考虑特定半径范围内的点，为了找到任意信令点，需要增大球半径，在现有低复杂度 TB 算法中，如果只扩大最有价值树节点部分，就可以有效降低搜索复杂度。[9]

5 天线阵列校准

Massive MIMO 天线中包含源模块和天线阵列高度集成，其发送和接收过程中还就会包含误。为了减小误差对天线阵列性能所造成的影响，天线阵列校准有着不可或缺的意义。

5.1 误差分析

误差主要包含时变误差和非时变误差[5]，其中时变误差主要包括在T/R通道的各项因素（时间、温度、工作频率）改变时，放大器、混频器、滤波器以及I/Q通道所产生的相应改变所造成的误差。非时变误差是指在阵列加工、安装、分配网络等过程中产生的误差。

5.2 校准方法

我们可以根据获取校准信号位置的区别，将校准方法分为路校准和场校准。路校准通过传输射频信号的传输线来获取传输信号；场校准则是通过自阵列的辐射场来获取信号。

5.2.1 路校准方法

在对于Massive MIMO 的天线进行路校准时，我们需要首先设计一个等功率分配器，其分配数目与天线的频射模块数目相同。分配器末端须与定向耦合器相连，通过记录其端口传输值以修正端口通道误差，而在实际应用中，由于定向耦合器并非理想仪器所以其加工过程中以及连接处的阻抗都会产生误差。电路图示如图5和图6所示。

5.2.2 场校准方法

场校准主要包括“辅助单元法”和“自校准法”。

“辅助单元法”因为需要提前获取有源模块与辅助单元的传输系数，所以在天线内部先设置一些辅助单元。在运行过程中，需要实时监测辅传输系数，并于初始系数做对比，以此实现误差修正。示意图如图7所示。

如图8所示，“自校准法”是通过旋转矢量法对通道间的误差进行求解，通过调整各个单元的相位，就可以获得每个单元对校准通道的传输系数，实现通道误差修正。

6 后续发展及总结

面对5G及后续发展的通信系统的需求Massive MIMO技术仍然具有很多待解决的问题以及需要面临的挑战。[10]

频导污染当相近的小区在同一时间使用了相同的频导序列时所产生的干扰就是频导污染，由于Massive MIMO 相较于传统MIMO拥有更多的小区，其频导污染的严重性也随之增加。频导污染问题是Massive MIMO 发展面临的主要问题之一。信道模型因为无线通信系统的评估与比对是基于系统模型上的，但Massive MIMO系统具有多天线的特性有要求具有很高的空间分辨率。而在实际应用中那个天气环境等问题也会产生影响，所以Massive MIMO 实际建模算法较为复杂，而工艺问题也会对建模产生影响，所以其信道模型的建设也是未来发展面对的主要问题。

本文介绍了5G通信技术中的关键技术，Massive MIMO 技术中的核心技术：信道估计、预编码、信号检测和天线阵列校准技术，分析和比较了各关键技术中不同方法的应用原理以及适用场景。简单阐述了Massive MIMO技术发展所面临的问题与挑战。