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

本发明专利技术公开一种基于稀疏贝叶斯学习的均匀面阵下行信道估计方法，通过利用大规模MIMO角度域的稀疏性，并对接收信号的方向角、高度角进行重定义，实现了均匀面阵信道在2D‑DFT矩阵下的稀疏表示。在此基础上，基于SBL框架设计了字典的更新方法，通过将字典预设角度和实际来向角间的角度偏离度设为超参数，并迭代更新字典，使字典包含角度逼近实际来向角，减少角度估计中的能量泄露。与传统信道估计方法相比，所提方法能够节省导频开销，且不需要噪声方差、信道协方差等先验信息。与经典的压缩感知方法相比，所提方法能够有效消除能量泄露带来的估计误差，提高信道估计的准确性。

【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：</p>

4.根据...

【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...

【专利技术属性】
技术研发人员：赵磊，周齐家，姜园，蔡科超，
申请(专利权)人：中山大学，
类型：发明
国别省市：