一种基于实值稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法技术方案

本发明专利技术公开了一种基于实值稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，1：基站采用具有N根天线的均匀线性阵列，下行链路用户采用单天线，T个时刻内，基站发送导频信号矩阵X，用户接收到信号y＝Φ(β)s+n；2：定义实值化矩阵QN；3：定义X＝GQN，构造实值接收信号矩阵Y＝Φ(β)S+N；4：设置迭代次数计数变量k＝1，初始化s的精度向量

【技术实现步骤摘要】
一种基于实值稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法
本专利技术属于无线通信领域，涉及一种多输入多输出(Multi-inputMulti-output，MIMO)通信系统的信道估计方法，具体地说是一种基于实值稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法。
技术介绍
大规模多输入多输出(Multiple-InputMultiple-Output，MIMO)系统因具有超高的频谱效率而受到广泛关注。在大规模MIMO系统中，基站配置大量的天线，而基站所服务的移动用户数目远少于基站天线数目，基站利用同一个时频资源同时服务若干个移动用户，充分发掘利用空间自由度，提升系统频谱效率和功率效率。目前，大规模MIMO技术已经成为5G无线网络的关键技术之一。信道估计是信号检测和自适应传输的基础，对于大规模MIMO无线传输性能起重要影响作用。大规模MIMO系统中的主要限制因素是基站处瞬时信道状态信息(channelstateinformation，CSI)的准确性。由于基站的天线数较多，大规模MIMO系统的下行链路信道估计变得异常困难，人们已尝试从稀疏信号恢复的角度，提出本文档来自技高网...

【技术保护点】
1.一种基于实值稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，包括如下步骤：步骤1：基站采用具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，移动用户接收到的信号是y＝Φ(β)s+n；Φ(β)表示测量矩阵；s是一个L维的信道在测量矩阵Φ(β)上稀疏表示的向量；n表示高斯白噪声向量；步骤2：定义实值化矩阵QN；步骤3：定义X＝GQN，并构造实值接收信号矩阵Y＝

【技术特征摘要】
1.一种基于实值稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，包括如下步骤：步骤1：基站采用具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，移动用户接收到的信号是y＝Φ(β)s+n；Φ(β)表示测量矩阵；s是一个L维的信道在测量矩阵Φ(β)上稀疏表示的向量；n表示高斯白噪声向量；步骤2：定义实值化矩阵QN；步骤3：定义X＝GQN，并构造实值接收信号矩阵Y＝Φ(β)S+N；其中，G为T×N维的独立实数高斯分布矩阵步骤4：设置迭代次数计数变量k＝1，初始化s的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素；步骤5：利用SBL原理和期望最大化准则，固定δ、β，更新α；步骤6：固定α、β，更新δ；步骤7：固定α、δ，更新β；步骤8：判断迭代计数变量k是否达到上限K或δ是否收敛，如果都不满足，则迭代计数变量k＝k+1，并返回步骤5；步骤9：设置门限η，并利用该门限选取信道的有效角度集合Ω；步骤10：利用有效角度集合Ω，估计最终的信道。2.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤1中，所述Φ(β)＝XA(β)；其中，A(β)＝[a(θ1+β1),a(θ2+β2),...,a(θN+βN)]，φ(θi+βi)＝(2πd/λ)sin(θi+βi)，λ表示电磁波的工作波长，d表示相邻传感器之间的距离，表示均匀划分的L个网格点，即中的元素βi表示θi上的角度偏差。3.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤2中，所述实值化矩阵QN的表达式为：当N为偶数时，当N为奇数时，其中：表示维度为的单位矩阵，表示维度为副对角线元素为1，其余元素为0的矩阵。4.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤3中，Y＝[Re(y)Im(y)]，S＝[Re(s)Im(s)]，...

【专利技术属性】
技术研发人员：戴继生，周磊，曹政，方忠驰，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32