SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法技术

本发明专利技术公开了一种SC‑MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，适用于快速时变、多普勒效应明显以及多径干扰严重的水声信道。本发明专利技术提出的分块稀疏贝叶斯算法用于信道估计特征在于充分利用MIMO水声信道的空间相关性、稀疏性以及信道的统计特性，构建信道块对角模型，每个子块描述对应信道的空间相关性，结合最大期望算法联合更新迭代估计信道系数、协方差以及噪声参数。在算法鲁棒性和计算复杂度上较之传统的贝叶斯学习算法表现更优，在估计精确度上比OMP及IPNLMS算法更好。

Block diagonal sparse Bayesian channel estimation in sc-mimo underwater acoustic communication

【技术实现步骤摘要】
SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法
本专利技术属于水声通信领域，涉及一种块对角稀疏贝叶斯信道估计方法，适用于快速时变且多径干扰严重的水下信道环境。
技术介绍
水下通信领域存在着很大的技术挑战，主要体现在三个方面：多径延时导致严重的符号间干扰且干扰持续时间长；由于波的运动以及收发平台的移动导致的时变和多普勒效应；水下信道非常有限的带宽限制了水下通信的传输速率。为了实现水下高速率数据传输，MIMO技术所带来的时空分集增益，使之被越来越广泛地应用于水下高速通信领域。然而其自身也面临一些技术难关，强的空间相关性不可避免地降低了分集带来的增益，另外信道间的干扰对接收端的设计来说也是个巨大的挑战。如何消除掉干扰，恢复出各路信号传输的信息，依赖于更加准确的信道信息，因此水声信道估计至关重要。水声信道存在稀疏特性，因此存在一些已有稀疏信道估计以及追踪的算法。典型的如LMS最小均方算法，但在一个数据块持续时间内要求信道冲激响应保持不变，然而限制条件很容易被水下快速时变的动态环境打破。另外一种方法是估计多普勒频移，然而带来很高的计算复杂度。最近稀疏贝叶斯学习算法被应用于水声信道估计，较好地处理了信道过度参数化的问题，但同样会带来巨大的计算复杂度。同时将信道协方差矩阵假设为对角阵，这在水声通信环境中是不合适的。
技术实现思路
针对水声通信领域的一系列技术难题，以及目前已有技术，本专利技术提出一种SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法(I-SBL)，进一步探究了水声信道空间相关性以及稀疏性控制，降低了计算复杂度，提高信道估计准确度从而降低数据传输误码率。本专利技术的目的通过如下的技术方案来实现：一种SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，其特征在于,该方法包括以下步骤：S1：建立如下的系统I/O模型：其中，N为MIMO发射端数目，M为接收端数目，L为信道长度，ym为接收端符号，wm为加性高斯白噪声，Np为训练序列长度，X为发射端符号矩阵，由L个Xl矩阵堆叠而成；hm为L个hm，l矩阵堆叠形成的联合信道矩阵，两者具有如下形式：其中，Np-L+1≥NL；S2:设定信道估计参数，包括迭代次数T、稀疏控制因子γ和收敛阈值δ，作为预先设定的超参数；S3:对信道进行初始化，其中信道协方差矩阵的初值为噪声方差的初值为(σ2)(0)，作为后续贝叶斯迭代的初始参数；S4：根据贝叶斯信道估计模型，利用期望最大化算法，即EM算法，对hm、Rm、σ2进行更新；S5:每进行完一次迭代，将γl中的最小值与预先定义的稀疏控制因子γ进行对比，若小于γ，则将hm对应位置元素置零并从向量中剔除；S6：循环：令t＝t+1，重复步骤S4-S5，直到或者t＞T,迭代终止，得到最终的hm。进一步地，所述的S2中的信道协方差矩阵以及(σ2)(0)由接收信号的导频序列初始化。进一步地，所述的S4中Rm具有如下形式：Rm＝Bdiag{γ0Δ0，…，γL-1ΔL-1}其中Δl为协方差子阵，决定信道矩阵的空间相关性，γl作为协方差子阵权重，用来控制信道的稀疏性；通过更新Δl与γl从而更新Rm,假定块对角信道矩阵中每个单独子块Δl均相同，从而利用同一个参数Δ来表示所有的Δl，得到下列等式：进一步地，所述的EM算法包括E步骤和M步骤，其中E步骤得到信道hm估计，M步骤更新超参数，具体如下：(1)E步骤：首先推导出如下的贝叶斯模型：因假定wm为加性高斯白噪声，因此得出当hm，σ2已知时ym条件分布和hm分别满足下式：p(ym|hm；σ2)～CN(Xhm，σ2I)p(hm；Rm)～CN(0，Rm)利用贝叶斯规则得到hm的后验概率，同样服从高斯分布：因此，可得hm的后验概率均值其中，当从上一次EM迭代中得到更新后的Θ＝{γl，Δ，σ2}超参数，利用MAP最大后验概率准则，得到hm的估计值(2)M步骤最大化联合概率p(ym；Θ)更新超参数集Θ，等效于最小化-logp(ym；Θ)推导出相应的代价函数：其中公式将hm当作隐性参数，分别对{γl，Δ，σ2}求偏导并置零，由于条件概率p(ym|hm；σ2)与γ和Δ无关，对于{γ,Δ},代价函数简化为：对Δ和求偏导可以得到：Lα是当前EM迭代中信道抽头系数中非零个数，同时定义同样地，代价函数对噪声功率σ2求偏导并置零，得到：与现有技术相比，本专利技术的有益效果如下：(1)重新推导出MIMO系统下水声通信I/O模型，通过联合N路发射端的lth信道系数，作为一个整体hm，l，从而保证易于利用信道空间的相关性。(2)将信道协方差矩阵建模为块对角形式，传统贝叶斯信道估计算法假设协方差矩阵各元素之间相互独立，仅考虑了对角信道系数方差，未考虑信道间的相关性。因此将信道协方差矩阵建模为块对角形式，从而更准确地对信道进行估计。(3)协方差矩阵中重新定义两个子参数，Δ控制信道相关性，γ控制信道稀疏性，通过更新这两个子参数从而更新迭代对应的协方差矩阵。与传统的信道估计算法相比，能够实现更快的参数收敛以及更低的计算复杂度，同时表现出更低的误码率。附图说明图1为本专利技术和传统贝叶斯算法下信道矩阵一阶范数对比图；图2为本专利技术和其它信道估计算法的稀疏度对比图；图3为本专利技术和其它信道估计算法的各数据块误码率对比图。具体实施方式下面结合附图和具体实例对本专利技术做进一步的描述，但本专利技术的实施和保护范围不限于此。本专利技术的SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，利用了信道的空间相关结构以及稀疏性；改进型的稀疏贝叶斯学习算法将信道协方差矩阵建模为块对角形式，每个子块捕捉对应位置空间相关性。同时通过协方差矩阵子块的权重描述信道的稀疏特性。定义稀疏控制因子γ，当协方差矩阵子块的权重小于设定的γ时，将对应子块置零，以此来控制信道的稀疏性，减少计算复杂度。此外，改进型的稀疏贝叶斯学习算法利用期望最大化算法来更新迭代参数，并利用导频序列对信道协方差矩阵及噪声功率进行初始化，进一步强化算法的迭代性能。利用海试数据进行测试，结果表明本专利技术对比传统信道估计算法，能够实现更快的参数收敛以及更低的误码率。本专利技术提出SC-MIMO系统下块对角贝叶斯信道估计方法，首先重新推导出适用于本专利技术信道估计的I/O系统模型，之后采用贝叶斯模型得出对应的目标代价函数，利用期望最大化算法更新迭代参数；其中信道协方差矩阵被定义为块对角形式，通过更新迭代子参数来对信道协方差矩阵进行更新。通过块对角化以及自定义的稀疏控制因子，从而很好地对通信系统稀疏度进行本文档来自技高网...

【技术保护点】
1.一种SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，其特征在于,该方法包括以下步骤：/nS1：建立如下的系统I/O模型：/n

【技术特征摘要】
1.一种SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，其特征在于,该方法包括以下步骤：
S1：建立如下的系统I/O模型：















其中，N为MIMO发射端数目，M为接收端数目，L为信道长度，ym为接收端符号，wm为加性高斯白噪声，Np为训练序列长度，X为发射端符号矩阵，由L个Xl矩阵堆叠而成；hm为L个hm，l矩阵堆叠形成的联合信道矩阵，两者具有如下形式：






其中，Np-L+1≥NL；
S2:设定信道估计参数，包括迭代次数T、稀疏控制因子γ和收敛阈值δ，作为预先设定的超参数。
S3:对信道进行初始化，其中信道协方差矩阵的初值为噪声方差的初值为(σ2)(0)，作为后续贝叶斯迭代的初始参数。
S4：根据贝叶斯信道估计模型，利用期望最大化算法，即EM算法，对hm、Rm、σ2进行更新；
S5:每进行完一次迭代，将γl中的最小值与预先定义的稀疏控制因子γ进行对比，若小于γ，则将hm对应位置元素置零并从向量中剔除；
S6：循环：令t＝t+1，重复步骤S4-S5，直到或者t＞T,迭代终止，得到最终的hm。


2.根据权利要求1所述的SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，其特征在于，所述的S2中的信道协方差矩阵以及(σ2)(0)由接收信号的导频序列初始化。


3.根据权利要求1所述的SC-MIMO水声通信环境下的块对角稀疏贝叶斯信道估计方法，其特征在于，所述的S4中Rm具有如下形式：
Rm＝Bdiag{γ0Δ0，…，γL-1ΔL-1}
其中Δl为协方差子阵，决定信...

【专利技术属性】
技术研发人员：瞿逢重，秦祥照，芦义，吴叶舟，魏艳，徐敬，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33