一种基于智能迭代初值选择的信道机器学习估计方法技术

本发明专利技术是一种基于智能迭代初值选择的信道机器学习估计算法，主要的步骤如下：(1)使用混合高斯模型(GMM)对信道的概率模型进行建模；(2)使用最优贝叶斯参数估计进行信道估计；(3)使用改进的K‑means算法来确定迭代过程的初值；(4)利用近似消息传递算法(AMP)来求解步骤(2)中所涉及到的边缘概率密度函数；(5)使用期望最大算法(EM)迭代求解高斯混合模型中的参数。本发明专利技术充分利用了信道的样本信息，对其进行聚类，取代期望最大算法(EM)的部分迭代过程来确保迭代更快的收敛速度和更好的MSE性能，同时根据波束域信道增益的稀疏特性，采用最优贝叶斯参数估计算法对信道进行估计。

【技术实现步骤摘要】
一种基于智能迭代初值选择的信道机器学习估计方法
本专利技术属于无线通信
，具体的说是一种基于智能迭代初值选择的信道机器学习算法，以信道增益在波束域上的稀疏特性为基础，采用机器学习的相关算法来改进Bayes-GMM信道估计算法来对信道进行估计。
技术介绍
随着现在社会的信息化发展，无线通信的发展也变的越来越快。从第一代移动通信系统(1G)到现在具有极大发展潜力的第五代移动通信系统(5G)，通信的质量和速率也变的越来越高和越来越好，但是传统的技术已经渐渐跟不上人们对移动通信业务的需求了，所以5G的核心技术之一——大规模多输入多输出(MIMO)技术成为了现在的研究热点。大规模多输入多输出系统中的天线阵列数量规模达到了几十甚至上百，远远大于传统的MIMO系统，而这些天线阵列可以让无线信道的自由度变的更高，也就可以获得更高的稳定性和更快的传输速率。在利用接收机解调出原始信号时，必须要保障接收机设计的合理性，而合理性体现在接收机的相干检测需要信道状态信息。然而在无线信道中的阴影衰落和频率选择性衰落会使得信道的随机性增大，给接收机的设计带来了困难。为了改善这样的情况，信道估计技术就显得尤其重要，因此信道估计算法的研究也是具有重要意义的。信道估计技术一般划分为三类：基于导频的信道估计；盲信道估计；半盲信道估计。作为传统的基于导频的信道估计算法有基于最小二乘(LS)估计和最小均方误差(MMSE)估计。LS信道估计算法的优势在于算法十分简单，但是由于算法忽略了噪声造成的影响，会使得估计算法有比较大的估计误差。MMSE信道估计算法改进了LS信道估计算法的缺点，考虑了噪声的影响，能够获得较好的性能，但是由于计算量较大，会提高硬件的要求。目前也有着一些对于LS信道估计算法和MMSE信道估计算法的改进，例如有MNoh,YLee,HPark在2006年提出的一走好难过低复杂度的LMMSE信道估计算法和YKang,KKim,HPark于2007年提出的基于离散傅里叶变换的信道估计算法。机器学习是一种通过迭代的方式从数据中获得数据所隐含的内在模型和规律的数据分析方法，而信道估计算法的目的也是从有限的信道样本中估计信道增益所符合的分布模型。正因如此便可以将机器学习算法与信道估计算法结合起来，使的信道估计获得更好的性能。在目前利用机器学习来进行信道估计的研究中，仅有一种基于Bayes-GMM的信道估计算法，该信道估计算法可以获得不错的均方误差(MSE)性能，但在处理其中高斯混合模型(GMM)中的迭代初值时只是采取了一种平均的选取方式，正是由于这样的选取方式，导致该信道估计算法的收敛速度十分慢，同时也没有充分利用信道样本信息。
技术实现思路
针对上述的问题，本专利技术提出了一种基于智能迭代初值选择的信道机器学习算法，在选取GMM迭代初值时采取一种改进的K-means算法来确定迭代初值，在充分利用信道样本信息的前提下来改善算法的收敛性能和MSE性能。为了达到上述目的，本专利技术是通过以下技术方案实现的：本专利技术根据接收信号在波束域上的显示，使用一种利用高斯混合模型(GMM)来逼近所有用户到基站侧同一根天线的信道增益的概率模型来替代传统的单个高斯模型的建模方法，这样可以降低误差同时也更符合大规模MIMO系统中信道的分布情况,对于GMM算法中的加权系数和参数的更新，采用的是期望最大(EM)算法,对信道的估计则是依据信道增益在波束域上的稀疏特性而采取的最优贝叶斯估计，利用给定的先验概率和贝叶斯定理，利用求出的后验概率来取代先验概率，这样便能够获得均方误差(MSE)最小的参数估计,贝叶斯参数估计算法的学习与预测效率很高的同时会带来不小的计算复杂度，计算复杂度提现在后验概率的边缘概率密度函数是什么复杂的积分问题，所以考虑采用近似消息传递(AMP)算法来达到降低计算量的目的。在确定迭代初值的时候，采取的是一种改进的K-means聚类算法，它克服了传统的K-means算法对初始质心的依赖性而造成的聚类结果不同，充分利用了信道的样本信息，在迭代开始之前先获得接近真实情况的GMM参数，将其作为GMM的迭代初值再进行更为细致的迭代，这样便可以改善信道估计算法的收敛性和MSE性能，并且由于该聚类算法本身的计算量要小于EM算法，可以说是减少了EM算法的迭代次数，整体上也可以说明本专利技术方法的算法复杂度有所下降。具体的，一种基于智能迭代初值选择的信道机器学习估计方法，该方法包括如下步骤：步骤一:使用高斯混合模型对信道的概率模型进行建模；步骤二:使用最优贝叶斯参数估计进行信道估计；步骤三:使用改进的K-means聚类算法确定高斯混合模型迭代初值；步骤四:使用近似消息传递算法(AMP)求解步骤二中的边缘概率密度函数；步骤五:使用期望最大算法迭代求解高斯混合模型中的参数。本专利技术的进一步改进在于：所述步骤一中，利用高斯混合模型对大规模MIMO系统的上行链路进行信道估计的算法，其依据是信道增益在波束域的稀疏特性，将其建模为：其中表示的是均值为0，方差为的高斯概率密度函数；表示的是先验参数；ρn,l代表的是加权系数，是第1个单高斯分布模型的混合概率，满足：本专利技术的进一步改进在于：在步骤二中，使均方误差最小，最优贝叶斯参数估计为：其中，代表含有CK个变量的后验概率P(hn|yn)的第k个变量的边缘概率密度函数，利用贝叶斯全概率公式可得：在导频信息和信道状态信息已知的条件下，概率P(yn|hn)的不确定度就是信道噪声的不确定度，且不同导频的噪声相互独立，所以则其中Z＝P(yn)是归一化常量，与hn无关只是用于确保积分为1。本专利技术的进一步改进在于：在步骤三中，利用改进的K-means算法对信道的样本信息进行预处理，以此来获得更适合于高斯混合模型迭代的初值：先假设信道噪声不影响，将hn＝S-1yn中的每一个元素都看成是一个单独的类别，首先先从数据集中随机选取一个样本作为初始的聚类中心，接着计算该类别点与当前所有元素的欧式距离，并计算每个类别被选为下一个聚类中心的概率最后按照轮盘发选择出下一个聚类中心，反复迭代这一个过程直到形成的数据类别最后数目为L，高斯混合模型迭代初值确定方法如下：(1)计算每个类别中信道样本数占所有的信道样本数的比例，将这个比例作为GMM的混合概率ρn,r的初始值；(2)将每个类别中的各信道样本数的方差作为GMM的方差的初始值；(3)将hn＝S-1yn中的每个元素作为μk,n的初始值。本专利技术的进一步改进在于：在步骤四中，采用近似消息传递算法求解步骤二中的边缘概率密度函数Q(hk,n)，其特征在于边缘概率密度函数Q(hk,n)在计算上不好处理，采用近似消息传递算法(AMP)可以降低算法的计算复杂度：式(6)写为根据因子图理论可得Qk(hk,n)＝Ql→k(hk,n)Qk→l(hk,n)(8)其中其中<本文档来自技高网...

【技术保护点】
1.一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：所述方法包括如下步骤：/n步骤一:使用高斯混合模型对信道的概率模型进行建模；/n步骤二:使用最优贝叶斯参数估计进行信道估计；/n步骤三:使用改进的K-means聚类算法确定高斯混合模型迭代初值；/n步骤四:使用近似消息传递算法(AMP)求解步骤二中的边缘概率密度函数；/n步骤五:使用期望最大算法迭代求解高斯混合模型中的参数。/n

【技术特征摘要】
1.一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：所述方法包括如下步骤：
步骤一:使用高斯混合模型对信道的概率模型进行建模；
步骤二:使用最优贝叶斯参数估计进行信道估计；
步骤三:使用改进的K-means聚类算法确定高斯混合模型迭代初值；
步骤四:使用近似消息传递算法(AMP)求解步骤二中的边缘概率密度函数；
步骤五:使用期望最大算法迭代求解高斯混合模型中的参数。


2.根据权利要求1所述一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：所述步骤一中，利用高斯混合模型对大规模MIMO系统的上行链路进行信道估计的算法，其依据是信道增益在波束域的稀疏特性，将其建模为：



其中表示的是均值为0，方差为的高斯概率密度函数；

表示的是先验参数；ρn,l代表的是加权系数，是第1个单高斯分布模型的混合概率，满足：


3.根据权利要求1所述一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：在步骤二中，使均方误差最小，最优贝叶斯参数估计为：



其中，
代表含有CK个变量的后验概率P(hn|yn)的第k个变量的边缘概率密度函数，利用贝叶斯全概率公式可得：



在导频信息和信道状态信息已知的条件下，概率P(yn|hn)的不确定度就是信道噪声的不确定度，且不同导频的噪声相互独立，所以



则



其中Z＝P(yn)是归一化常量，与hn无关只是用于确保积分为1。


4.根据权利要求1所述一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：在步骤三中，利用改进的K-means算法对信道的样本信息进行预处理，以此来获得更适合于高斯混合模型迭代的初值：先假设信道噪声不影响，将hn＝S-1yn中的每一个元素都看成是一个单独的类别，首先先从数据集中随机选取一个样本作为初始的聚类中心，接着计算该类别点与当前所有元素的欧式距离，并计算每个类别被选为下一个聚类中心的概率最后按照轮盘发选择出下一个聚类中心，反复迭代这一个过程直到形成的数据类别最后数目为L，
高斯混合模型迭代初值...

【专利技术属性】
技术研发人员：潘甦，陈晨阳，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32