【技术实现步骤摘要】
本专利技术涉及通信，更具体的，涉及一种基于稀疏贝叶斯学习的矩形面阵下行信道估计方法。
技术介绍
1、大规模mimo(massive multiple-input multiple-output,mmimo)技术是第五代移动通信(fifth generation,5g)的关键技术之一，通过布设由几十上百根天线组成的天线阵列，大规模mimo系统具有空间复用能力强，频谱效率高，信道容量大的优点。在预编码、波束赋形技术的帮助下，大规模mimo能够生成高指向性波束，实现低干扰，高能量效率通信。而作为预编码、波束赋形技术的前提条件，获取准确的信道状态信息(channel stateinformation,csi)在大规模mimo系统中变得尤为重要。
2、由于大规模mimo系统存在着信道维度大、导频开销大、信道特性复杂的特点，其中的下行信道估计变得尤为困难。目前已有许多学者尝试从压缩感知(compressed sensing,cs)的角度将信道估计问题转为稀疏表示和恢复问题。目前最常见的稀疏表示是利用均匀线阵(uniform linear array,ula)的特殊结构，在离散傅里叶变换(discrete fouriertransform,dft)矩阵下对其稀疏表示。但这种固定的字典矩阵难以避免的会与实际来向径存在差异，造成能量泄露问题。基于上述稀疏表示，目前主流的稀疏信道恢复方法主要包括匹配追踪(matching pursuit,mp)类算法和贝叶斯压缩感知(bayesian compressedsensing,bcs)类算法。
3、目前大部分研究基于ula的结构展开，事实上均匀面阵(uniform planar array,upa)是一种更为紧凑和灵活的阵列结构，有着广泛的应用需求和前景。考虑到面阵和线阵在导向矢量上的差异，两者的信道结构也会存在差异，线阵中的信道估计算法无法直接用于面阵中。如何在面阵中开发高效的信道估计方法是一个亟待解决的问题。本专利技术将基于sbl框架和字典更新的思想，提出一种适用于矩形面阵的离格下行信道估计方法。该方法不需要基站端发射正交导频信号，相较传统的信道估计方法节省了导频开销。此外，该方法考虑了字典更新，能够克服经典压缩感知方法中的能量泄露问题，进一步提升估计的准确性。
技术实现思路
1、本专利技术提供一种基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，该方法通过二阶离散傅里叶变换(second-order discrete fourier transform,2d-dft)矩阵对upa信道进行稀疏表示，并在sbl框架的基础上，创新性地引入字典更新思想来提高估计精度，有效缓解了现有压缩感知方法中存在的能量泄露问题。该方法通过sbl框架对未知参数进行了表征，并通过块最大最小化(block majorization-minimization,block mm)方法迭代更新未知参数的值直至收敛。相比于传统信道估计方法，所提方法降低了导频开销，并无需信道噪声参数、信道稀疏度等信道先验信息。在估计精度上，所提方法比几种常见的稀疏恢复方法都有明显优势。
2、为实现上述目标，本专利技术的技术方案如下：
3、一种基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，包括以下步骤：
4、s1：基站端配备具有nx×ny＝n根天线的均匀面阵，用户端配备单根天线，基站端发射导频序列，通过复高斯信道后，用户端得到接收信号；
5、s2：基于2d-dft矩阵，通过角度重定义对upa信道进行稀疏表示，并将接收信号进行稀疏表示；
6、s3：引入网格偏移量，将噪声方差、稀疏角度分布概率、网格偏移量作为未知超参数，并基于sbl框架得到各参数分布。
7、s4：利用sbl框架和block mm算法迭代求解未知超参数的最大后验概率。
8、s5：设置门限和迭代次数，当稀疏先验超参数收敛或迭代达次数达到设定值时，迭代结束，获得信道稀疏表示估计结果。
9、s6：通过信道稀疏表示估计结果计算实际信道。
10、优选地，本专利技术的方法流程示意图如图1所示，角度重定义示意图如图2所示。
11、优选地，所述步骤s1中接收信号可表示为y＝xh+n，其中导频序列矩阵包含基站端n根天线发射的长度为t的导频序列，各导频序列可随机生成。为信道，通过设置散射簇数量nc、每个簇的多径数ns，随机生成发射角度信息求得，满足ξc,s为每条径的衰落系数，为每条径对应的导向矢量。
12、优选地，所述步骤s2中接收信号的稀疏表示方法具体为：
13、如图2所示为θ角和角重定义后的结果，此时导向矢量满足
14、
15、
16、上述角度重定义消除了原导向矢量中θ角和角的耦合，并且令两者取值范围都为
17、根据二维dft变换：
18、
19、记g＝vec(g′)，z＝vec(z′)，则得到g＝fz，其中f为二阶dft矩阵。记x∈[0,n-1]，当时，记同理记y∈[0,m-1]，当时，记利用ejθ＝ej(θ±2π)的性质，可以得其中此时即可得到upa导向矢量与2d-dft矩阵的对应关系，从而信道可以稀疏表示为：
20、y＝xfw+n＝φw+n,
21、表示稀疏表示的字典矩阵，其由x和f组成，g表示每个角度网格的划分维度。
22、优选地，所述步骤s3中各参数分布定义如下：
23、根据sbl框架，假设稀疏表示w具有高斯先验：
24、p(w|γ)＝cn(w|0,diag(γ-1)),
25、记加性复高斯噪声n满足p(n|α)＝cn(n|0,α-1)，其中α＝σ-2为噪声分辨率。将实际来向角记为其中和ξ表示与实际来向角最接近的预设方位角和高度角，而β和η为实际来向角与预设角的偏离值。则此时接收信号可以稀疏表示为：
26、y＝φ(β,η)w+n,
27、且接收信号y满足高斯分布：
28、p(y|w,α,β,η)＝cn(y|φ(β,η)w,α-1i),
29、从而根据sbl框架的第二类最大似然推导，可得w后验分布同样符合高斯分布，有p(w|y,α,γ,β,η)～cn(μ(α,γ,β,η),∑(α,γ,β,η))，满足：
30、
31、优选地，所述步骤s4中未知超参数的求解过程如下：
32、采用map准则对未知参数(α*,γ*,β*,η*)进行求解，由于难以计算，所以我们将问题转换为：
33、
34、由于本文档来自技高网...
【技术保护点】
1.一种基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤S1中，接收信号可表示为y＝Xh+n，其中导频序列矩阵包含基站端N根天线发射的长度为T的导频序列，各导频序列可随机生成。为信道，通过设置散射簇数量Nc、每个簇的多径数Ns，随机生成发射角度信息求得，满足ξc,s为每条径的衰落系数，为每条径对应的导向矢量。
3.根据权利要求2所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤S2中，接收信号的稀疏表示方法具体为：
4.根据权利要求3所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤S3中，各参数分布定义如下：
5.根据权利要求4所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤S4中，未知超参数的求解过程如下：
6.根据权利要求5所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤S5的作用是通过超参数的收敛来判断信道估计的收敛。设置迭代误
7.根据权利要求6所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤S6的作用是通过信道的稀疏分布情况w来估计实际信道，具体表达式为h＝Fw，其中F为2D-DFT矩阵。
...【技术特征摘要】
1.一种基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤s1中，接收信号可表示为y＝xh+n，其中导频序列矩阵包含基站端n根天线发射的长度为t的导频序列，各导频序列可随机生成。为信道，通过设置散射簇数量nc、每个簇的多径数ns，随机生成发射角度信息求得，满足ξc,s为每条径的衰落系数，为每条径对应的导向矢量。
3.根据权利要求2所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方法，其特征在于，步骤s2中，接收信号的稀疏表示方法具体为：
4.根据权利要求3所述的基于稀疏贝叶斯学习的矩形面阵下行信道估计方...
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。