【技术实现步骤摘要】
本专利技术涉及无线通信，具体为一种基于对称移位互质阵列的近场信道估计方法及系统。
技术介绍
1、随着第六代无线通信系统的研究兴起，面临的主要挑战之一是实现高数据传输速率和频谱效率，尽管超大尺寸天线阵列和毫米波通信被认为是6g的关键物理层技术，但这些技术的实施面临着电磁波传播特性的根本性变化，特别是在辐射近场区域，相比于传统的远场通信系统，每个天线之间的到达时间差不仅受角度影响，还与距离密切相关，这一变化导致了近场信道中的能量扩散问题，即单个路径分量的能量会扩散到多个角度，这种能量扩散会导致角域信道不再稀疏，传统的基于角域的傅立叶字典失效，进而使得现有的信道估计方案性能严重下降，此外，大规模的天线阵列设计也带来了高信号处理复杂度、昂贵的硬件成本和高能耗等问题，因此，为了适应6g系统的需求，亟需一种新的信道估计方法，能够有效处理近场信道特性，同时降低系统的复杂度和成本。
2、通过构建两个互质阵列来设计对称移位互质阵列，以确定天线的排布方式，这种独特的天线阵列设计优化了传统阵列的限制，提高了信号处理的效率和精度，其次，专利技术利用接收信号协方差重建虚拟观测信号，并采用先进的方法对角度和距离参数进行解耦，这解决了近场信道中能量扩散带来的问题，最后，通过一维离网稀疏贝叶斯学习算法对角度和用户数量进行估计，并建立压缩离网稀疏贝叶斯学习模型，进行有效的距离参数分析和信道重建，这种方法不仅提高了近场信道估计的准确性，还大幅降低了计算复杂度和硬件要求，从而在实现高性能的同时，减少了能耗和成本。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的信道估计方法存在效率低，可靠性低，精度，以及如何精确的估计用户位置，重建上行信道，同时降低计算复杂度和算法时延的问题。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于对称移位互质阵列的近场信道估计方法，包括通过两个互质阵列构建对称移位互质阵列，确定天线的排布方式；基于接收信号协方差重建虚拟观测信号，进行角度参数与距离参数的解耦；采用一维离网稀疏贝叶斯学习算法估计角度和用户数量，建立压缩离网稀疏贝叶斯学习模型，进行距离参数的分析和信道重建。
4、作为本专利技术所述的基于对称移位互质阵列的近场信道估计方法的一种优选方案，其中：所述确定天线的排布方式包括基于一个配备由q根天线组成超大尺寸规模阵列的基站和k个单天线用户，系统采用正交频分复用波形，工作在时分双工模式，基站的超大尺寸规模阵列配置由两个对称的互质阵列组成，天线间距d表示为：
5、
6、其中，λc为载波波长，载波频率fc为毫米波频段，信道建模为视距路径，用户都位于近场辐射区域内，向基站发送信号，信号经过信道到达基站，接收信号为所有用户发送信号的叠加；互质阵列中心作为相位参考点，天线的位置表示为qid，天线的索引qi属于整数索引集合表示为：
7、
8、
9、q＝2(x-1)+y
10、
11、
12、其中，i为索引变量，为天线索引集合的中间值，x和y为定义天线阵列尺寸的互质数，σ为压缩因子，和为原始天线阵列尺寸参数，q为总天线数；天线阵列索引的集合表示为：
13、
14、
15、
16、
17、其中，为左子阵列的索引集合，为中间子阵列的索引集合，为右子阵列的索引集合，为中间子阵列中的天线位置索引，ir为右侧子阵列的索引，为左侧子阵列中的天线位置索引，l为移位因子，n为天线阵列中的元素数量中间子阵列关于参考中心点左右对称，左子阵列与右子阵列关于参考中心点互相对称；第qi个bs天线与第k用户间的信道表示为：
18、
19、
20、
21、其中，ωk为角度分量，γk为距离分量，表示第k用户到阵列参考点的角度，表示第k用户到阵列参考点的距离。
22、作为本专利技术所述的基于对称移位互质阵列的近场信道估计方法的一种优选方案，其中：所述重建虚拟观测信号包括基站接收到k个发送信号的叠加，计算接收信号的协方差矩阵，并用连续阵列滞后索引填补孔洞，重建虚拟均匀线性阵列的观测信号；基站接收信号为k个用户信号的叠加，表示为：
23、yul＝φ(ωk,γk)s+zul
24、φ(ωk,γk)＝[φ(ω1,γ1),…,φ(ωk,γk),…,φ(ωk,γk)]
25、
26、其中，yul为列向量，zul为上行链路的噪声，φ为原始信道矩阵，s代表用户发送的信号向量，φ(ωk,γk)为近场导向矢量，t为矩阵转置操作；计算接收信号的协方差矩阵ryy表示为：
27、
28、
29、其中表示第k用户的信号的方差，表示期望，diag{·}表示对角化操作，为维度为的单位矩阵，σ2表示噪声方差，h为共轭转置操作，rss为发送信号的协方差矩阵。
30、作为本专利技术所述的基于对称移位互质阵列的近场信道估计方法的一种优选方案，其中：所述进行角度参数与距离参数的解耦包括基于ε＝(q-3)/4设计维度为q×q的筛选矩阵γ，初始化元素值为0，当初始化元素值为1时：
31、[γ]i,j,ε≤i≤q-ε+1,ε≤j≤q-ε+1
32、其中，ε为筛选矩阵尺寸，[γ]i,j为第i行和第j列筛选矩阵元素；筛选后的协方差矩阵表示为：
33、
34、其中⊙表示哈达玛积，通过连续阵列滞后索引，基于角度分量的天线索引从选择具有相同天线索引的值，求和取平均重排填入孔洞中，重建虚拟的上行均匀线性阵列的观测信号p，表示为：
35、
36、其中，k为用户的数量，k<<q-2(ε-1)×1，φ'(ωk)为经过处理消除距离分量后仅保留角度分量的等效于远场信道矩阵，φ'(ωk)维度为q-2(ε-1)×1，iq-2(ε-1)为维度为q-2(ε-1)的单位矩阵。
37、作为本专利技术所述的基于对称移位互质阵列的近场信道估计方法的一种优选方案，其中：所述估计角度和用户数量包括以分层拉普拉斯先验模型的形式构建稀疏信号模型，采用基于一维离网稀疏贝叶斯学习的信道估计算法估计角度参数和用户数量k，相应的离网组件被建模为超参数，通过期望最大值算法更新；基于变分贝叶斯推断，制定一个分层超先验分布，为观测信号的每个元素都分配一个具有不同精度αg的独立同分布复高斯先验分布，表示为：
38、
39、其中，α为观测信号p的精度向量，g为网格点的总数，为复高斯分布，xg为第g个网格点的观测信号值，g表示第g个网格点，αg被建模为伽马分布，表示为：
40、
41、其中a,b为αg伽马分布中的参数，γ(αg∣a,b)为αg伽马分布，角度离网分量满足均匀分布表示为：
42、
43、其中，为角度离网分量，基于平均本文档来自技高网...
【技术保护点】
1.一种基于对称移位互质阵列的近场信道估计方法，其特征在于，包括：
2.如权利要求1所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述确定天线的排布方式包括基于一个配备由Q根天线组成超大尺寸规模阵列的基站和K个单天线用户，系统采用正交频分复用波形，工作在时分双工模式，基站的超大尺寸规模阵列配置由两个对称的互质阵列组成，天线间距d表示为：
3.如权利要求2所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述重建虚拟观测信号包括基站接收到K个发送信号的叠加，计算接收信号的协方差矩阵，并用连续阵列滞后索引填补孔洞，重建虚拟均匀线性阵列的观测信号；
4.如权利要求3所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述进行角度参数与距离参数的解耦包括基于ε＝(Q-3)/4设计维度为Q×Q的筛选矩阵Γ，初始化元素值为0，当初始化元素值为1时：
5.如权利要求4所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述估计角度和用户数量包括以分层拉普拉斯先验模型的形式构建稀疏信号模型，采用基于一维离网稀疏贝叶斯
6.如权利要求5所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述建立压缩离网稀疏贝叶斯学习模型包括基于估计获得的用户数量和角度参数构建关于距离分量的一维离网压缩模型表示为：
7.如权利要求6所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述进行距离参数的分析和信道重建包括采用一维离网稀疏贝叶斯学习框架估计距离分量并消除由于二维离网分解引起的串联离网失真，计算距离参数进行信道重建；
8.一种采用如权利要求1～7任一所述的基于对称移位互质阵列的近场信道估计方法的系统，其特征在于：包括天线分析模块，参数解耦模块，信道重建模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于对称移位互质阵列的近场信道估计方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于对称移位互质阵列的近场信道估计方法的步骤。
...【技术特征摘要】
1.一种基于对称移位互质阵列的近场信道估计方法，其特征在于，包括：
2.如权利要求1所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述确定天线的排布方式包括基于一个配备由q根天线组成超大尺寸规模阵列的基站和k个单天线用户，系统采用正交频分复用波形，工作在时分双工模式，基站的超大尺寸规模阵列配置由两个对称的互质阵列组成，天线间距d表示为：
3.如权利要求2所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述重建虚拟观测信号包括基站接收到k个发送信号的叠加，计算接收信号的协方差矩阵，并用连续阵列滞后索引填补孔洞，重建虚拟均匀线性阵列的观测信号；
4.如权利要求3所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述进行角度参数与距离参数的解耦包括基于ε＝(q-3)/4设计维度为q×q的筛选矩阵γ，初始化元素值为0，当初始化元素值为1时：
5.如权利要求4所述的基于对称移位互质阵列的近场信道估计方法，其特征在于：所述估计角度和用户数量包括以分层拉普拉斯先验模型的形式构建稀疏信号模型，采用基于一维离网稀疏贝叶斯学习的信道估计算法估计角度参数和用户数量...
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。