一种Masssive 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多输入多输出(Multiple Input Multiple Outpu，MIMO)系统的信道估计算法。在多用户大规模MIMO系统中，本发明专利技术基于贝叶斯压缩感知的推断方法，利用稀疏信号恢复技术实现信道估计，可以大量减少FDD大规模MIMO系统信道估计的开销。

【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多输入多输出(MultipleInputMultipleOutpu，MIMO)系统的信道估计算法。
技术介绍
大规模MIMO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；简单的现行预编码器与检测器即可达到最优性能；信道之间区域正交化，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的，只与用户数有关。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，甚至超过信道的想干时间，使得信道估计失去意义。在多用户MIMO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。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，利用原始信号的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)。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。
技术实现思路
在多用户大规模MIMO系统中，本专利技术基于贝叶斯压缩感知的推断方法，利用稀疏信号恢复技术实现信道估计，可以大量减少FDD大规模MIMO系统信道估计的开销。为了方便理解，首先介绍本专利技术使用的模型和函数：FDD多用户大规模MIMO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MIMO信道估计的数学模型可以表示为Yj＝HjX+Nj，其中，Yj表示第j个MS的接收信号矩阵，Hj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＝Αx+n，其中，Α是大小为m×n的测量矩阵，y为m×1维压缩信号，x为n×1维的稀疏信号，其稀疏度为s，即x中只有s＜＜n个元素非零，其余元素全部为0，n是m×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，m＜＜n。贝叶斯压缩感知模型通过最大化边缘似然函数：通过得到先验参数α和β，即其中，μi表示稀疏信号xi的均值，Vii表示稀疏信号xi的方差；表示稀疏信号<||Yi-φXi||2>的均值，表示稀疏信号<||Yi-φXi||2>的方差。通过变积分贝叶斯期望最大化方法的得到参数k，公式如下：其中，参数k服从伯努利分布。BS端和MS端都配置了均匀直线阵(ULA)，根据MIMO信道的虚拟角度域变换，将各MS对应的信道分解为：其中，UR∈CM×M和UT∈CN×N分别是MS端和BS端的角度域变换酉矩阵，酉矩阵UT的(p,q)元为：p,q∈[0,N-1]，酉矩阵UR(a,b)的(a,b)元为a,b∈[0,M-1]，是角度域的信道矩阵。在大规模天线阵中，的行向量具有相同稀疏支持集合，即它们的非零元素的位置完全相同且非零元服从零均值单位方差的复高斯分布。不同MS对应的不同信道矩阵之间也存在着部分相关的关系，即各MS的稀疏支持集合存在交集。将第j个MS信道的稀疏支持集合表示为Ωj，则是各MS的共同稀疏支持集合。一种MasssiveMIMO信道估计方法，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XP＝[x(1),x(2),...,x(T)]∈CN×T，其中，N为BS的天线数，将MIMO信道估计数学模型中的导频信号XP转化为角度域的压缩感知测量矩阵，用符号Φ表示，有酉矩阵p,q∈[0,N-1]，ΦH∈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，*H表示*共轭转置；S12、K个MS的接收信号矩阵为{Rj本文档来自技高网...

【技术保护点】
一种Masssive 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XP＝[x(1),x(2),...,x(T)]∈CN×T，其中，N为BS的天线数，将MIMO信道估计数学模型中的导频信号XP转化为角度域的压缩感知测量矩阵，用符号Φ表示，有酉矩阵p,q∈[0,N‑1]，ΦH∈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，*H表示*共轭转置；S12、K个MS的接收信号矩阵为{Rj},其中，Rj表示第j个MS的接收信号矩阵，j＝1,2,...,K；S13、进行符号转换，令其中，酉矩阵a,b∈[0,M‑1]，M为MS的天线数，Φ表示压缩感知测量矩阵，Xj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、各用户稀疏支持集联合估计，即利用多任务BCS算法联合估计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，所述K个估计的信道稀疏支持集合表示为Ω1,Ω2,...ΩK；S3、各用户稀疏支持集合迭代估计，具体为：S31、设置各MS稀疏支持集合共同的迭代控制变量Niter和最大迭代次数Nset；S32、给定初始值：接收信号矩阵Y；X的先验概率矩阵，矩阵元素服从均值为方差为的复高斯分布共同稀疏支持和非共同稀疏支持参数噪声的复高斯分布方差符合伯努利分布，初始概率为的经验值及初始化为0的中间变量S33、不含噪声的接收信号Z＝ΦX，假设Z的先验概率服从均值为方差为的复高斯分布由Z的先验概率得到Z的后验概率，概率服从均值为方差为的复高斯分布更新规则为(为的倒数)；S34、由Z的后验概率联合中间变量推得X的先验概率S35、由Z的后验概率，共同稀疏参数和非共同稀疏参数噪声方差参数选择参数经过中间变量的联合运算，得到更新的X的后验概率S36、更新初始参数值迭代S33‑S35直到满足迭代控制变量Niter和最大迭代次数Nset的要求，可以得到包含共同稀疏支持和非共同稀疏支持的各个用户的信道状态信息S4、多用户大规模MIMO信道估计，各用户的信道估计结果为其中，X的稀疏支持部分由本专利技术提出的贝叶斯压缩感知迭代方法在满足一定设定条件时得到，剩余部分全部为0，所述设定条件为经验条件。...

【技术特征摘要】
1.一种MasssiveMIMO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XP＝[x(1),x(2),...,x(T)]∈CN×T，其中，N为BS的天线数，将MIMO信...

【专利技术属性】
技术研发人员：孙晶晶，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