一种基于稀疏贝叶斯学习的信道估计方法技术

本发明专利技术涉及无线通信技术领域，尤其涉及一种基于稀疏贝叶斯学习的信道估计方法，包括如下步骤：步骤A、利用毫米波信道的稀疏特性进行信道建模，并构造对应的RIS辅助的MIMO通信系统模型；步骤B、首先构造信道的两层稀疏先验信息，然后对参数的联合后验概率密度函数进行因式分解，最后根据因式分解画出相应的因子图模型；步骤C、针对步骤B中的因子图模型，结合酉变换近似消息传递，使用稀疏贝叶斯算法框架进行信道估计；步骤D、重复步骤C，直到算法收敛；本发明专利技术中的方法复杂度低、降低系统的导频开销，算法通用度高。算法通用度高。算法通用度高。

【技术实现步骤摘要】
一种基于稀疏贝叶斯学习的信道估计方法


[0001]本专利技术涉及无线通信
，尤其涉及一种基于稀疏贝叶斯学习的信道估计方法。

技术介绍

[0002]移动通信网络是支持百行千业数字化转型升级、推动效率变革、动力变革的关键基础设施。智能化综合性数字信息基础设施是支撑经济社会发展的信息大动脉和数字新底座。但高度复杂的网络、高成本的硬件和日益增加的能源消耗成为未来移动通信面临的关键问题。可重构智能表面(Reconfifigurable intelligent surface，RIS)具有低成本、低能耗、可编程、易部署等特点，通过构建智能可控无线环境，有机会突破传统无线通信的约束，给未来移动通信网络带来一种全新的范式，具有广阔的技术与产业前景。
[0003]RIS辅助的无线通信系统中，除了基站与终端之间的视距信道外，还包括“基站
‑
RIS”及“RIS
‑
终端”的级联信道。级联信道状态信息(Channel State Information，CSI)获取是采用无源RIS系统中需要解决的基本问题之一，要实现RI本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏贝叶斯学习的信道估计方法，其特征在于，包括如下步骤：步骤A、利用毫米波信道的稀疏特性进行信道建模，并构造对应的可重构智能超表面(Intelligent Reflecting Surface，RIS)辅助的多输入
‑
多输出(Multiple
‑
Input Multiple
‑
Output，MIMO)通信系统模型；步骤B、首先构造信道的两层稀疏先验信息，然后对参数的联合后验概率密度函数进行因式分解，最后根据因式分解画出相应的因子图模型；步骤C、针对步骤B中的因子图模型，结合酉变换近似消息传递，使用稀疏贝叶斯算法框架进行信道估计；步骤D、重复步骤C，直到算法收敛。2.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法，其特征在于：在步骤A中，考虑一个RIS辅助的上行毫米波通信系统，其中配备了N个反射单元的RIS平面被布置在具有M根天线的基站和K个用户之间；基站和RIS间的信道为RIS和用户间的信道为假设基站端的天线使用了均匀线性阵列，RIS使用了N1×
N2的均匀平面天线阵列，其中N＝N1N2，则G具体表示为：其中，ρ表示平均路径损耗，P为路径数，ζ
p
表示第p路径上的增益，ψ
p
为到达角，θ
p
和γ
p
为离开角，a
B
(φ
p
)和a
R
(θ
p
，γ
p
)分别表示基站和RIS的响应矢量，即a
B
(φ
p
)＝e
M
(sin(ψ
p
))且λ和d分别表示波长和天线间隔，则信道在角度域的表示形式为：其中，表示离散傅里叶变换矩阵，表示包含P个非零元素的稀疏矩阵，同样地，第k个用户和RIS之间的信道可表示为：且可在角度域表示为：h
k
＝F2σ
k
，将扩展为矩阵形式，即：H＝F2∑.其中，考虑RIS具有L个相位配置状态，则相干时间内基站端的接收信号表示为：
Y
l
＝GDiag([Φ]
l，：
)HX+W
l
，其中，Φ
l，：
表示相移矩阵的第l行，W
l
表示均值为0，噪声精度为β的加性高斯白噪声，去除导频信号并向量化可得：其中，将记作矩阵形式，对其进行转置，得到：Y＝ΦS+W.其中，3.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法，其特征在于：在步骤B中，对于角度域稀疏信道参数{σ
n，k
}和{ω
m，n
}，假设二者均服从高斯分布，即：}，假设二者均服从高斯分布，即：且方差和均服从Gamma分布：均服从Gamma分布：其中，和是对应概率密度函数中的超参数，对相移矩阵Φ进行SVD分解，即Φ＝UΛV...

【专利技术属性】
技术研发人员：王忠勇，郭亚博，翟慧鹏，张欣然，孙鹏，王玮，刘飞，袁正道，
申请(专利权)人：郑州大学，
类型：发明
国别省市：