基于变分贝叶斯推断的复杂混合模型的信道估计方法技术

本发明专利技术属于无线通信技术领域，具体的说是涉及一种基于变分贝叶斯推断的复杂混合模型的信道估计方法。本发明专利技术的方法利用了大规模MIMO信道的稀疏结构，及其相邻信道稀疏结构的相似性，并将各天线合理地划分为各个子阵，最大限度地利用各信道之间的相互关系，创新性地构建了大规模MIMO信道的稀疏模型(多层先验模型)，引入概率事件来控制信道所在位置属于完全共有、子阵共有位置还是非共有位置，提出了基于变分贝叶斯推断的复杂混合模型的信道估计算法(简记为Complex_Mixture_VBI)，同时与OMP、ASSP、Geniu‑LS等信道估计方法相比，本发明专利技术大大提高了信道估计的准确性，在一定条件下，可使得信道估计误差达到10‑3，且不需要任何先验信息。

Channel estimation method based on variational Bayesian inference for complex mixed models

The invention belongs to the field of wireless communication technology, in particular to a channel estimation method based on variational Bayesian inference of complex mixed models. The method uses the sparse structure of the large MIMO channel and the similarity of the sparse structure of the adjacent channel, and divides the antennas reasonably into each subarray. The sparse model (multi-layer prior model) of the large-scale MIMO channel is innovatively constructed. In order to control the location of the channel in which the location of the channel is completely common, the position of the subarray or the non common position, the channel estimation algorithm for the complex mixed model based on the variational Bayesian inference is proposed (Complex_Mixture_VBI). Compared with the OMP, ASSP, Geniu LS and other channel estimation methods, the present invention greatly improves the letter The accuracy of channel estimation can make the channel estimation error reach 10 to 3 under certain conditions without any prior information.

【技术实现步骤摘要】
基于变分贝叶斯推断的复杂混合模型的信道估计方法
本专利技术属于无线通信
，具体的说是涉及一种基于变分贝叶斯推断的复杂混合模型的信道估计方法。
技术介绍
大规模MIMO(MultipleInputMultipleOutput，多输入多输出)系统是第五代移动通信系统的关键技术之一，其主要优势在于：系统容量随着天线数量增加而增加；降低发送信号功率；简单的线性预编码器与检测器即可达到最优性能；信道之间趋于正交化，因此消除了小区内同道干扰。实现这些优势的前提是基站(BS)知晓信道状态信息(CSIT)。在时分双工(TDD)系统中，利用上下行信道的互易性在用户端(MS)进行信道估计。对于FDD大规模MIMO系统，其信道估计的流程为：基站向各用户广播导频信号，移动用户利用接收信号估计CSIT然后反馈回基站。这种情况下，导频信号数与基站天线数成正比，由于在大规模MIMO系统中，天线数量巨大，常规的信道估计方法(如最小二乘法)将面临巨大的训练开销，使得训练时间变长，甚至超过信道的相干时间，使得信道估计失去意义。压缩感知是一种全新的信号采样理论，它利用信号的稀疏性，在远小于奈奎斯特速率的情况下，用随机采样获取信号的离散样本，利用原始信号在某些基下面的稀疏的特性,将其投影到很少的测量下,通过非线性算法恢复原始的信号,因此压缩感知理论能够通过最少的测量保留最大的信号信息。稀疏贝叶斯学习(SparseBayesianLearning,SBL)最初作为一种机器学习算法由微软研究院的Tipping于2001年提出，随后被引入到稀疏信号恢复领域(BCS)。贝叶斯压缩感知是利用概率的方法，给信号增添稀疏先验，通过贝叶斯统计推断的方法，推导出信号恢复的算法。由于贝叶斯灵活度高，可以通过改变概率先验的形式，以适应多种不同的信号先验。贝叶斯框架提供了多种有用的推断方法，例如：ExpectationMaximization(EM)、VariationalExpectationMaximization(VEM)、MaximalLikelihood(ML)、VariationalBayesInference(VEM)。EM算法是Dempster，Laind，Rubin于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。EM算法的主要目的是提供一个简单的迭代算法计算后验密度函数，它的最大优点是简单和稳定，但容易陷入局部最优。VEM算法是广义化的EM算法，最早是由BEALMJ.在其论文《VariationalAlgorithmsforApproximateBayesianInference》里所提出的，主要应用于贝叶斯估计和机器学习领域中复杂的统计模型中。大量实验研究表明，无线宽带信道具有延迟域(delaydomain)的稀疏性，在大规模MIMO系统中相邻发射天线和一个用户表现出非常相似的路径延迟值，即不同发射天线具有相似的稀疏路径。
技术实现思路
本专利技术的目的是提出一种基于贝叶斯算法的信道估计方法。本专利技术主要利用压缩感知原理和大规模MIMO信道的稀疏性以及相邻天线的稀疏结构的相似性，在贝叶斯算法的基础上提出一种改进的贝叶斯算法，以此提高信道估计的精确度。为了便于本领域内技术人员对本专利技术技术方案的理解，首先对本专利技术采用的压缩感知原理和贝叶斯算法以及系统模型进行说明。标准压缩感知数学模型：y＝Αx+n。其中，Α是大小为n×m的感知矩阵，y为n×1维压缩信号，x为m×1维的稀疏信号，其稀疏度为k，即x中只有k＜＜m个元素非零，其余元素全部为0，n是n×1维的系统噪声且其元素服从均值为0，方差为σ2的高斯分布。改进的贝叶斯算法基于变分贝叶斯推断算法，变分贝叶斯推断算法是一种求解最大后验分布的算法，通过不断地迭代，得到样本已知的条件下的隐藏变量的均值与方差。本专利技术基于大规模MIMO系统，假设需要估计的信道是平坦块衰落的，即在某段时间内信道状态不变，考虑OFDM(OrthogonalFrequencyDivisionMultiplexing，正交频分复用)技术。在发射端，有一个基站BS，每个BS为配置了Nt根天线的大规模天线阵，基站利用Nt根天线发送训练序列(非正交导频)，本专利技术采用基于压缩感知理论的非正交导频设计，它允许不同发射天线的导频占据完全相同的子载波，并利用信道的稀疏特性，用于信道估计的导频数目可大大减少。而传统的正交导频设计基于经典的Nyquist采样定理，不同的发射天线的导频占据着不同的子载波，需要非常高的导频开销。非正交导频的设计方案如下(以一个OFDM符号为例)：一个OFDM符号中子载波的数目为N，导频子载波的数目为Np，导频子载波的集合ξ从{1,2,…N}中选取，对所有的发射天线都相同。第n个发射天线的导频序列用符号Pn表示Nt个发射天线的导频由构成，服从[0,2π)的独立同分布均匀分布。导频子载波集合I(i)从集合{1,2,…N}中以间隔等距选取，其中本文取I0＝1。在接收端，考虑单用户，用户有单个接收天线，用户通过接收信号进行信道估计。去除保护间隔和离散傅里叶变换之后，一个OFDM符号接收信号表达如下：其中，①diag(Pn)表示把矢量Pn对角化；②是一个DFT矩阵，FL/ξ表示取F的前L列，按照ξ在F中取Np行，③Φn＝diag(Pn)FL/ξ，④当r＝1时，hn,r化为hn，加性高斯白噪声表达式中，||h||2＝Nt*L；噪声中每个元素都服从均值为0，方差为β-1的复高斯分布,β服从Gamma分布β～Gamma(a,b)。本专利技术利用大规模MIMO系统相邻信道的稀疏性和稀疏结构的相似性，下面具体分析信道的这两个性质，并构建分层先验模型:在下行链路中，第n个发射天线和用户接收天线之间的延迟域信道脉冲响应如下：hn,r＝[hn,r(1),hn,r(2),…hn,r(L)]T,1≤n≤Nt其中r是OFDM符号在时域的标识，L是等效信道长度。有测量结果显示，不同发射天线和一个用户表现出非常相似的路径延迟值，即不同发射天线具有相似的稀疏路径，稀疏度用Ωr表示，support(hn,r)表示hn,r中稀疏支持数。由于相邻的发射天线具有相似的稀疏路径，利用各天线之间信道的稀疏结构的相似性，将天线均匀的分为K个子阵，稀疏信道的相似性体现在完全共有位置与子阵共有位置上。Nt根天线共享Ωc1个稀疏度，称这Ωc1个位置为完全共有位置；Nt根天线均匀地分为K组，每组天线数M＝Nt/K，第k组内的所有天线共享Ωc2个稀疏度，称这Ωc2个位置为子阵共有位置(或局部共有位置)，剩下Ω-Ωc1-Ωc2个位置为非共有位置，各天线之间相互独立。一个OFDM符号中，基站和用户端信道表现出一定的稀疏特性，如图1所示，图1中等效信道长度L＝15，稀疏度Ω＝6，完全共有稀疏度Ωc1＝3，子阵共有稀疏度Ωc2＝2，各天线非共有稀疏度Ωp＝1，hk,m表示第k组的第n根天线和用户接收天线之间的延迟域信道脉冲响应，其中k∈[1,K],n∈[1,Nt]。h的概率分布模型可以表示为：其中hk,m表示第k个子阵的第m根天线，hm,l,k代表hk,m的第l个位置的元素；zm,l,k决定各天线上各位置为完全共有位置或子阵本文档来自技高网...

【技术保护点】
1.基于变分贝叶斯推断的超复杂混合模型信道估计方法，包括：发射端：每个基站配置了Nt个天线的大规模天线阵，基站利用Nt个天线发送训练序列，所述训练序列为基于压缩感知理论的非正交导频，即允许不同发射天线的导频占据完全相同的子载波；则对于发送信号，设一个OFDM符号中子载波的数目为N，导频子载波的数目为Np，导频子载波的集合ξ从{1,2,…N}中选取，对所有的发射天线都相同，第n个发射天线的导频序列用符号Pn表示，

【技术特征摘要】
1.基于变分贝叶斯推断的超复杂混合模型信道估计方法，包括：发射端：每个基站配置了Nt个天线的大规模天线阵，基站利用Nt个天线发送训练序列，所述训练序列为基于压缩感知理论的非正交导频，即允许不同发射天线的导频占据完全相同的子载波；则对于发送信号，设一个OFDM符号中子载波的数目为N，导频子载波的数目为Np，导频子载波的集合ξ从{1,2,…N}中选取，对所有的发射天线都相同，第n个发射天线的导频序列用符号Pn表示，Nt个发射天线的导频由构成，服从[0,2π)的独立同分布均匀分布，导频子载波集合为I(i)从集合{1,2,…N}中以间隔等距选取，其中基站向用户广播导频信号将导频信号P转化为压缩感知测量矩阵，用符号Φ表示，有Φn＝diag(Pn)FL/ξ，其中，diag(Pn)表示把矢量Pn对角化；是一个DFT矩阵，FL/ξ表示取F的前L列，按照ξ在F中取Np行，接收端：设定用户有单个接收天线，接收信号为：y＝Φh+w其中，信道向量为加性高斯白噪声且有||h||2＝Nt*L；其特征在于，接收端对信道的估计方法包括以下步骤：S1、根据大规模MIMO系统相邻信道的稀疏性和稀疏结构的相似性，构建先验模型，具体为：由于相邻的发射天线具有相似的稀疏路径，利用各天线之间信道的稀疏结构的相似性，设定稀疏度为Ω，Nt根天线共享Ωc1个稀疏度，称这Ωc1个位置为完全共有位置；将Nt根天线均匀的分为K个子阵，每组天线数M＝Nt/K，第k组内的所有天线共享Ωc2个稀疏度，称这Ωc2个位置为子阵共有位置，剩下Ω-Ωc1-Ωc2位置为非共有位置，各天线之间相互独；采用hk,m表示第k组的第n根天线和用户接收天线之间的延迟域信道脉冲响应，其中k∈[1,K],n∈[1,Nt]；则构建h的概率分布模型为：其...

【专利技术属性】
技术研发人员：唐超，成先涛，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51