【技术实现步骤摘要】
基于阵列空间先验的变分Tensor密集多径参数估计方法和装置
[0001]本专利技术涉及数字信号处理及无线通信
,具体涉及基于阵列空间先验的变分Tensor密集多径参数估计方法及装置,用于密集多径信道参数估计。
技术介绍
[0002]在Tensor的实践处理中,有两类主要的高阶Tensor分解模型,即Tucker模型和PARAFAC,也称为CANDECOMP。同时,PARAFAC和HOSVD在通用框架中以统一的方式表示,已广泛应用于图像识别、声学、无线信道估计和阵列信号处理等领域。同时,在Tensor处理领域中,把完备数据称为全信号观测,既是理想的数据结构处理方式。而在实际情况中,由于信道中信号被障碍物阻挡,频率干扰和测量设备的不稳定造成部分数据错误,故而对于不完全Tensor的处理及预测成为了研究的一大热点。
[0003]目前广为使用的信道参数估计方法有:1.文献[M.Haardt,F.Roemer and G.Del Galdo,"Higher
‑
Order SVD
‑
Based Subspace Estimation to Improve the Parameter Estimation Accuracy in Multidimensional Harmonic Retrieval Problems,"IEEE Transactions on Signal Processing,vol.56,no.7,pp.3198
‑
3213,2008.]将 ...
【技术保护点】
【技术特征摘要】
1.基于阵列空间先验的变分Tensor密集多径参数估计方法,其特征在于,包括:根据收发端天线阵列进行Tensor信道矩阵的构造;基于阵列空间的先验假设施加空间相关性;对变分贝叶斯参数进行高层先验假设;通过平均场理论进行变分贝叶斯的迭代,推断所需估计超参数的后验分布,进行秩的消减与参数的估计;抵达变分迭代终止条件时迭代终止。2.根据权利要求1所述的基于阵列空间先验的变分Tensor密集多径参数估计方法,其特征在于,所述根据收发端天线阵列进行Tensor信道矩阵的构造;具体包括:通过MIMO(Multiple
‑
Input Multiple
‑
Output)系统,在接收端进行采样得第k个子载波的信道矩阵;其中,μ(Θ
l
)=(2π/λ)d
X
sinΘ
l
,X∈{T,R},Θ∈{θ,φ},多径数L,离开角(AoD)θ
l
,抵达角(AoA)φ
l
,延迟τ
l
,复振幅α
l
,采样率f
s
,及发送与接收端进行的K点傅里叶变换;对信道矩阵通过在第三维
‑
频率维扩展后得到信道结构;通过对信道进行K次频率域采样,将采样的K个矩阵在第三维度进行堆叠(即频率维扩展)后,即可得到Tensor信道为:为:为:为:因子矩阵{A
(n)
}
n=1,2
由阵列空间响应构成,式中,N
BS
‑
R
表示接收端天线个数,N
BS
‑
T
表示发射端天线个数,表示复数域采样,L表示多径数,表示外积,表示Kruskal运算符,其中n模因子矩阵A
(n)
由列向量组成,离开角(AoD)θ
l
,抵达角(AoA)φ
l
,延迟τ
l
,复振幅α
l
;根据Kruskal条件中k
X
‑
Rank的定义,满足解的唯一性条件3.根据权利要求1所述的基于阵列空间先验的变分Tensor密集多径参数估计方法,其特征在于,所述基于阵列空间的先验假设施加空间相关性;具体包括:进行变分迭代的初始化操作;根据迭代所估计的因子矩阵,使用最大似然估计方法找到估计参数,构造空间权重矩
阵;通过对估计出的因子矩阵利用哈达玛积进行空间加权,得到剩余矩阵;通过混合高斯的概率加权对因子矩阵和剩余矩阵进行处理。4.根据权利要求3所述的基于阵列空间先验的变分Tensor密集多径参数估计方法,其特征在于,所述进行变分迭代的初始化操作;具体为:假设初始多径参数L,以及初始的因子矩阵,此方式可通过随机初始化以及SVD分解求得;根据天线阵列长度I
n
及Pearson相关性定理,求得混合高斯加权概率所有相关向量间均服从参考项个数size[(i
n
+1):I
n
]的均匀分布,故而此为一标量;可观测TensorO的大小由观测率OR指定;所述根据迭代所估计的因子矩阵,使用最大似然估计方法找到估计参数,构造空间权重矩阵;具体为:根据上次迭代所估计的因子矩阵使用最大似然估计方法找到估计参数Ψ∈[θ,φ,τ]的值,从而构造空间权重矩阵φ,τ]的值,从而构造空间权重矩阵所述通过对估计出的因子矩阵利用哈达玛积进行空间加权,得到剩余矩阵;具体包括:对上次迭代所估计的因子矩阵进行空间加权,得到剩余向量:进行空间加权,得到剩余向量:其中,n模因子矩阵的行向量对应的常数剩余向量0
k
×
L
表示k
×
L的全0矩阵;及剩余矩阵表示为下标F
→
(I
N
‑
k)表示截取矩阵的前I
N
‑
k行;Sum
col
{
·
}表示对其中内容进行按列求和,表示所估计的因子矩阵,#为哈达玛积,为选择空间权重矩阵;所述通过混合高斯的概率加权对因子矩阵和剩余矩阵进行处理,具体为:因子矩阵中行向量进行的相关先验假设如下:因子矩阵中行向量进行的相关先验假设如下:
其中,是行向量的估计值,混合高斯加权概率为为n模因子矩阵A
(n)
的第i
n
行向量,i
n
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。