一种基于一比特量化接收的毫米波大规模MIMO信道估计方法技术

本发明专利技术提供一种基于一比特量化接收的毫米波大规模MIMO信道估计方法，首先利用毫米波信道在虚拟角度域的稀疏性，将具有一比特模数转换器的大规模MIMO系统的信道估计问题转换为稀疏信号恢复的框架中。基站端采用一比特模数转换器，降低了大规格MIMO系统的成本和能耗。然后使用稀疏贝叶斯学习SBL方法通过求解第二类最大似然问题来实现角度域稀疏信道的估计，与现有的不考虑角度域信道稀疏性的一比特信道估计方法相比，大大提升了信道估计精度。SBL方法能够实现稀疏促进先验模型的自动选取，与现有的手动选取先验模型超参数的期望最大化基追踪降噪方法相比避免了估计性能对超参数选取的敏感性问题，从而可以实现估计性能的提升。能的提升。能的提升。

【技术实现步骤摘要】
一种基于一比特量化接收的毫米波大规模MIMO信道估计方法


[0001]本专利技术涉及射频信号估计技术，特别涉及毫米波大规模MIMO信道估计技术。

技术介绍

[0002]毫米波通信因其巨大的带宽而成为未来户外蜂窝系统的关键技术之一。由于毫米波频率的波长远小于微波的波长，因此基站可以配备大规模天线阵列以获得更高的光谱效率。然而，由于使用了大量天线，大规模MIMO系统通常会有高复杂性和高功耗问题。模数转换器ADC是最耗电的设备之一，不过它的功耗可以通过降低分辨率呈指数降低。因此采用低分辨率的模数转换器，特别是一比特模数转换器，可以大大降低系统的功耗和成本。要对具有一比特模数转换器的大规模MIMO毫米波系统中的通信问题以及信号处理技术进行研究，需要知道系统的信道状态信息。传统信道估计方法，例如最小二乘LS估计器，应用于一比特量化MIMO毫米波系统时估计性能很不理想，因为其完全忽略了信号的一比特量化特性。
[0003]为了利用一比特量化信号，有人提出了一种低复杂度的近似最大似然nML(near maximum likelihood)信道估计器，用于具有一比特数模转换器的上行大规模MIMO系统。此外，由于缺乏散射，毫米波通信系统中的信道在时域和角度域通常都是稀疏的。
[0004]基于近似最大似然nML算法的信道估计器虽然考虑了接收信号的一比特量化特性，但没有利用毫米波信道的稀疏特性，因此估计精度很低，训练开销大。
[0005]于是，通过利用毫米波信道稀疏这一先验特性，有人将MIMO毫米波系统一比特信道估计问题转换为稀疏信号恢复问题，并结合期望最大化算法EM(expectation
‑
maximization)与基追踪降噪BPDN(basis pursuit denoise)方法来获得信道的最大后验估计，进一步降低训练开销。然而，基追踪降噪方法很大程度上依赖于促进稀疏性的先验分布的选取，并且可能存在结构错误(structural errors)。

技术实现思路

[0006]本专利技术所要解决的技术问题是，提供一种适用于一比特模数转换器的上行大规模MIMO毫米波通信系统的信道估计方法。
[0007]本专利技术为解决上述技术问题所采用的技术方案是，一种基于一比特量化接收的毫米波大规模MIMO信道估计方法，包括以下步骤：
[0008]步骤1、确定基站天线数量N
BS
、移动用户天线数量N
MS
、用户和基站间的路径数目、路径损耗以及基站端的到达方位角和用户端的出发方位角来生成毫米波系统信道H，利用训练持续时间Q内用户所发送的导频符号所构成维度为N
MS
×
Q的导频符号矩阵X，生成复高斯噪声W，得到上行信号到达基站端后，基站端的一比特模数转换器输出的一比特接收信号R＝sgn(HX+W)，sgn为阶跃函数；
[0009]步骤2：基站端将一比特接收信号R向量化得到一比特量化信号r，再对一比特量化信号r进行实数化得到r
R
；
[0010]其中，r＝sgn(Φh+w)，r
R
＝sgn(Φ
R
h
R
+w
R
)，其中，中间值中间值
噪声w＝vec(W)，vec是矩阵按列向量化操作符，是成毫米波系统信道H的角度域稀疏信道矩阵，U
R
和U
T
均为毫米波系统信道H的虚拟角度域中角度分辨率分别为G
r
和G
t
转换字典矩阵，
·
H
表示共轭转置；Φ
R
，h
R
和w
R
分别是Φ、h和w实数域结果；
[0011]步骤3：初始化迭代次数p＝0；
·
(p)
表示第p次迭代，初始化超参数α的估计值其中是长度为2G
r
G
t
的全1向量；初始化h
R
的后验分布均值向量其中pinv(Φ
R
)表示矩阵Φ
R
的伪逆；
[0012]步骤4：第p轮迭代，计算Φ
R
h
R
+w
R
的后验分布均值向量向量中的第i个元素为：
[0013][0014]σ
R
是实数域噪声w
R
的标准差；r
R,i
是r
R
的第i个元素；中间值的第i个元素；中间值表示中间值Φ
R
的第i行向量，
·
T
表示转置，中间值中间值exp为以自然常数e为底的指数；
[0015]步骤5：计算h
R
的后验分布均值向量和协方差矩阵
[0016][0017][0018]Diag为构造对角矩阵的函数，(
·
)
‑1是矩阵求逆运算符；
[0019]步骤6：更新下一次迭代的超参数α的估计值其中第n个元素为：
[0020][0021][
·
]n
代表取向量的第n位元素；[
·
]n,n
代表取矩阵的第n行第n列元素；
[0022]步骤7：判断是否满足收敛条件，如是进入步骤8，如否，更新迭代次数p＝p+1，重复步骤4
‑
步骤6；
[0023]步骤8：获得实数域信道向量h
R
的估计值进而得到复数域的稀疏信道向量估计值[
·
]a:b
代表取向量的第a位元素到第b位元素组成列向量，j是虚数符号；然后对其进行矩阵化操作后得到结果最后生成毫米波系统信道H的估计值为毫米波MIMO信号估计完成。
[0024]本专利技术首先利用毫米波信道在虚拟角度域的稀疏性，将具有一比特模数转换器的大规模MIMO系统的信道估计问题转换为稀疏信号恢复的框架中。基站端采用一比特模数转换器，降低了大规格MIMO系统的成本和能耗。然后使用稀疏贝叶斯学习SBL方法通过求解第二类最大似然问题(type
‑
II ML)来实现角度域稀疏信道的估计。SBL方法既能够实现稀疏
促进先验模型的自动选取，也能够避免任何结构错误(structural errors)，进而可以提升信道估计性能。
[0025]本专利技术的有益效果是，
[0026]1、本专利技术利用毫米波通信系统信道在虚拟角度域的稀疏性将信道估计问题转换为稀疏信号恢复问题，与现有的不考虑角度域信道稀疏性的一比特信道估计方法相比，大大提升了信道估计精度。
[0027]2、本专利技术基于稀疏贝叶斯学习法，与现有的手动选取先验模型超参数的期望最大化基追踪降噪EM BPDN方法相比，能够实现先验模型的自动选取，避免了估计性能对超参数选取的敏感性问题，从而可以实现估计性能的提升。
附图说明
[0028]图1为实施例方法SBL对比的有现有期本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一比特量化接收的毫米波大规模MIMO信道估计方法，其特征在于，包括以下步骤：步骤1、确定基站天线数量N
BS
、移动用户天线数量N
MS
、用户和基站间的路径数目、路径损耗以及基站端的到达方位角和用户端的出发方位角来生成毫米波系统信道H，利用训练持续时间Q内用户所发送的导频符号所构成维度为N
MS
×
Q的导频符号矩阵X，生成复高斯噪声W，得到上行信号到达基站端后，基站端的一比特模数转换器输出的一比特接收信号R＝sgn(HX+W)，sgn为阶跃函数；步骤2：基站端将一比特接收信号R向量化得到一比特量化信号r，再对一比特量化信号r进行实数化得到r
R
；其中，r＝sgn(Φh+w)，r
R
＝sgn(Φ
R
h
R
+w
R
)，其中，中间值中间值噪声w＝vec(W)，vec是矩阵按列向量化操作符是成毫米波系统信道H的角度域稀疏信道矩阵，U
R
和U
T
均为毫米波系统信道H的虚拟角度域中角度分辨率分别为G
r
和G
t
转换字典矩阵，
·
H
表示共轭转置；Φ
R
，h
R
和w
R
分别是Φ、h和w实数域结果；步骤3：初始化迭代次数p＝0；
·
(p)
表示第p次迭代，初始化超参数α的估计值其中是长度为2G
r
G
t
的全1向量；初始化h
R
的后验分布均值向量其中pinv(Φ
R
)表示矩阵Φ
R
的伪逆；步骤4：第p轮迭代，计算Φ
R
h
R
+w
R
...

【专利技术属性】
技术研发人员：王思蕾，利强，林静然，邵怀宗，潘晔，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：