一种基于贝叶斯方法的多用户大规模MIMO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，尤其涉及一种频分双工(FDD)模式下的多用户大规模MIMO(MU‐Massive MIMO)系统的信道估计方法。在多用户大规模MIMO系统中，本发明专利技术利用信道的联合稀疏性，引入基于贝叶斯方法的稀疏信号重构算法进行信道估计，大大减少了信道估计的开销，使得信道估计的时间远小于信道的相干时间。本发明专利技术将信道估计的开销降低到了传统信道估计方法的20％左右,信道估计的时间远小于信道的相干时间，使得大规模MIMO信道估计在实际中的实现变得可能。

【技术实现步骤摘要】

本专利技术属于无线通信
，尤其涉及一种频分双工（FDD)模式下的多用户大 规模M頂0 (MU-Massive M頂0)系统的信道估计方法。
技术介绍
大规模Mnro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。则信道估计开销是独立于基站端的大规模天线阵天线数 N的，只与用户数K有关。因此TDD系统中，信道估计的开销不会造成系统的负担。而对于 FDD大规模MMO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MMO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，甚至超过信道的想干时间，使得信道估计失去意义。 由于大规模MMO系统信道的稀疏性，利用基于稀疏信号恢复技术的信道估计 方法可以大量减少FDD大规模MMO系统信道估计的开销。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，然后通过非线性算法完美重构信号。稀疏贝叶斯学习 （Sparse Bayesian Learning, 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)。Wipf证明，BCS等价于一种迭代加权Ll最小化算法， 而Ll算法仅仅只是其第一步，而Candes等人指出，迭代加权Ll最小化算法更易获得真正 的最稀疏解。因此，与其他基于LI最小化的算法相比，BCS具有显著的优势。 如图1所示，在多用户MMO系统中，由于基站端与用户端天线数的巨大差异，基站 端与用户端对于散射效应的反应也截然不同，呈现出基站端传播路径的稀疏性而用户端传 播路径的丰富性。同时，不同用户之间由于部分接收到相同的散射体的散射信号，其信道之 间存在着部分相关的特性，这就是多用户大规模MIMO系统信道的联合稀疏性。
技术实现思路
在多用户大规模MMO系统中，本专利技术利用信道的联合稀疏性，引入基于贝叶斯方 法的稀疏信号重构算法进行信道估计，大大减少了信道估计的开销，使得信道估计的时间 远小于信道的相干时间。 为了方便地描述本专利技术的内容，首先对本专利技术使用的术语、系统和模型进行介 绍： 基站：BS。 用户端：MS。 FDD多用户大规模M頂0信道估计系统模型： 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。 系统有一个BS，K个MS，所述BS配置了具有N个天线的大规模天线阵，每一个MS 具有M个天线，则FDD多用户大规模M頂0信道估计的数学模型可以表示为Yj= H，其 中，Yj表示第j个MS的接收信号矩阵，H j表示BS与第j个MS之间的信道矩阵，X为导频信 号，Nj为接收噪声信号矩阵。 标准压缩感知数学模型： y = Αχ+η，其中，A是大小为mXn的感知矩阵，y为mX 1维压缩信号，X为nX 1 维的稀疏信号，其稀疏度为s，即X中只有s << η个元素非零，其余元素全部为0，n是mXl 维的系统噪声且其元素服从均值为〇,方差为σ 2的高斯分布，m << η。 一种基于贝叶斯方法的多用户大规模ΜΙΜΟ信道估计方法，包括如下步骤： Sl、初始化，具体为： SlUBS用T个时隙向K个MS广播T个导频信号X= e CNXT， 其中，N为BS的天线数，X = UTXa，酉矩阵P，q e ，Xae Cnxt的元素即从集合中以等概率抽取，P为每个时隙 的导频信号功率； S12、K个MS的接收信号矩阵为{Yj:j = 1，2, ...，KhYj表示第j个MS的接收信 号矩阵； S13、进行符号转换，令，其中，j = 1，2,... K，酉矩阵Φ表示 压缩感知测量矩阵，角度域信道矩阵的共辄转置，角度域信道矩阵为?ζ = UfH7Ur， EjS等效高斯噪声矩阵，N ^为接收噪声信号矩阵； S2、各用户稀疏支持集并行估计，即利用多任务BCS算法分别估计K个MS的稀疏 支持集合，得到K个估计的信道稀疏支持集合，表示为Ω?，Ω' 2，...Ω'λ.，其中，t表示中间量； S3、确定共同的稀疏支持集合，即由公式丨确定出 共同的稀疏支持集合，其中，S。= I Ω。I表示共同的稀疏支持个数，表示共同稀疏支持集 合的估计，d是求和变量，IA( ·)为示性函数； S4、进行非共同稀疏支持集合并行估计，具体为： S41、根据公式计算各MS压缩信号残差，其中，I 为单位矩阵，表示S13所述Φ中位置索引集合为的列； S42、定义K个空集迭代更新（S]-SJ次，得到K个MS的非共同稀疏支 持集合Ω；；，其中， s]= I Ω , I表示第j个用户的稀疏支持个数； S5、计算各用户候选稀疏支持集合；： S6、利用S5所述自适应地重新估计各用户信道稀疏支持，具体为：若S5所述，则稀疏支持集合的估计，则利用胃作为测量矩阵重新 利用BCS估计各用户信道稀疏支持集合，估计结果为?ρ其中，表示S13所述Φ中位 置索引集合为的列； S7、多用户大规模MMO信道估计，各用户的信道估计结果为 其中，I中索引为^的行由公式I 计算出来，而剩余行全部为0。 J J 进一步地，S42所述迭代更新过程具体为： S421、令："其中，％表示S13所述Φ的第g列； S422、更新压缩信号残_< 本专利技术的有益效果是： 本专利技术将信道估计的开销降低到了传统信道估计方法的20%左右，信道估计的 时间远小于信道的相干时间，使得大规模MMO信道估计在实际中的实现变得可能。【附图说明】 图1是多用大规模M頂0信道联合稀疏性示意图及其物理图景。 图2是算法流程不意图。 图3是本专利技术算法和其余稀疏信号重构算法实施于多用户大规模MMO系统在不 同训练开销下的性能对比图。 图4是本专利技术算法和其余稀疏信号重构算法实施于多用户当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于贝叶斯方法的多用户大规模MIMO信道估计方法，其特征在于，包括如下步骤：S1、初始化，具体为：S11、BS用T个时隙向K个MS广播T个导频信号X＝[x(1),x(2),...,x(T)]∈CN×T，其中，N为BS的天线数，X＝UTXa，酉矩阵UT(p,q)=1Nexp{-2π(p-1)(q-1)N},]]>p,q∈[0,N‑1]，Xa∈CN×T的元素即从集合中以等概率抽取，P为每个时隙的导频信号功率；S12、K个MS的接收信号矩阵为{Yj:j＝1,2,...,K},Yj表示第j个MS的接收信号矩阵；S13、进行符号转换，令Fj=YjHURΦ=XHUTSj=(Hja)HEj=NjHUR,]]>则{Fj:j=1,2,...,K},Φ,{Sj:j=1,2,...,K},]]>其中，j＝1,2,...K，酉矩阵UR(a,b)=1Mexp{-2π(a-1)(b-1)M},]]>a,b∈[0,M‑1]，Φ表示压缩感知测量矩阵，Sj为角度域信道矩阵的共轭转置，角度域信道矩阵为Εj为等效高斯噪声矩阵，Nj为接收噪声信号矩阵；S2、各用户稀疏支持集并行估计，即利用多任务BCS算法分别估计K个MS的稀疏支持集合，得到K个估计的信道稀疏支持集合，表示为其中，t表示中间量；S3、确定共同的稀疏支持集合，即由公式确定出共同的稀疏支持集合，其中，sc＝|Ωc|表示共同的稀疏支持个数，表示共同稀疏支持集合的估计，d是求和变量，IA(·)为示性函数；S4、进行非共同稀疏支持集合并行估计，具体为：S41、根据公式计算各MS压缩信号残差，其中，I为单位矩阵，表示S13所述Φ中位置索引集合为的列；S42、定义K个空集迭代更新(sj‑sc)次，得到K个MS的非共同稀疏支持集合其中，sj＝|Ωj|表示第j个用户的稀疏支持个数；S5、计算各用户候选稀疏支持集合S6、利用S5所述自适应地重新估计各用户信道稀疏支持，具体为：若S5所述则稀疏支持集合的估计若则利用作为测量矩阵重新利用BCS估计各用户信道稀疏支持集合，估计结果为其中，表示S13所述Φ中位置索引集合为的列；S7、多用户大规模MIMO信道估计，各用户的信道估计结果为其中，中索引为的行由公式计算出来，而剩余行全部为0。...

【技术特征摘要】

【专利技术属性】
技术研发人员：付自刚，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