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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。