CN105207959B - 一种miso-ofdm系统的信道估计方法 - Google Patents
一种miso-ofdm系统的信道估计方法 Download PDFInfo
- Publication number
- CN105207959B CN105207959B CN201510181972.XA CN201510181972A CN105207959B CN 105207959 B CN105207959 B CN 105207959B CN 201510181972 A CN201510181972 A CN 201510181972A CN 105207959 B CN105207959 B CN 105207959B
- Authority
- CN
- China
- Prior art keywords
- channel
- vector
- probability density
- density function
- miso
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种MISO‑OFDM系统的信道估计方法,包括以下步骤:MISO‑OFDM系统下行链路传输场景,其基站配置Nt根天线,终端配备1根天线,则信道估计过程中,得观测向量y的表达式,设变量集合Ω={h,χ,η,σ},其中,h为信道,σ为噪声方差,η为常量,χ为随机变量,通过贝叶斯分层结构获取联合概率密度函数p(Ω,y),根据式联合概率密度函数p(Ω,y)利用变分消息传递算法求解MISO‑OFDM系统的信道本发明可以精确的对MISO‑OFDM系统进行信道估计。
Description
技术领域
本发明属于无线通信技术领域,涉及一种信道估计方法,具体涉及一种MISO-OFDM系统的信道估计方法。
背景技术
信道状态信息(Channel State Information,CSI)能否精确获得对无线通信系统性能的影响非常大,因此,信道估计技术是提高系统性能的关键技术之一,受到了广泛关注。信道估计根据是否使用导频信号,可分为盲信道估计和基于导频符号的信道估计两大类。盲信道估计不需要提前在发送端发送已知信息,节省了系统开销,但要求接收端开辟较大的缓冲区来存储大量的数据,这使得它的应用受到了很大限制;基于导频的信道估计是在发送端先发送已知的导频信号,用于信道估计,这类技术应用较广。近期研究表明,在MISO-OFDM系统中多径信道往往呈现明显的稀疏特性,即只有少数路径为可达路径,其余路径增益为零。对于稀疏信道的估计问题,可用传统的估计办法进行估计,也可将其转化为稀疏估计问题,而压缩感知理论是解决稀疏估计问题的有效方法,因而利用其稀疏特性基于压缩感知的方法进行估计有望获得优良的性能。相比于传统信道估计,压缩信道感知能降低系统开销,提高估计精度,是近年来的研究热点。诸多压缩感知算法已经被应用到了压缩信道感知中,这些算法主要包括:凸松弛算法、组合算法、以及以OMP算法、SP算法等为代表的贪婪类算法。然而,许多组合算法收敛速度快, 但需大量的特殊样本,这些样本的获取往往具有较大的复杂度;凸松弛算法虽需很少的测量数,但其计算复杂度较高;贪婪类算法折衷了组合算法和凸松弛算法的缺陷,但其信道估计精度还有待提高。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种MISO-OFDM系统的信道估计方法,该方法可以精确的对MISO-OFDM系统进行信道估计。
为达到上述目的,本发明所述的MISO-OFDM系统的信道估计方法包括以下步骤:MISO-OFDM系统下行链路传输场景中基站配置Nt根天线,终端配备1根天线,则信道估计过程中,观测向量y的表达式为:
y=Ph+v
其中,h为待估向量信道,P为测量矩阵,v为噪声向量,观测向量y的维度小于待估向量信道h的维度,且待估向量信道h具有稀疏特性;
设变量集合Ω={h,χ,η,σ},其中,σ为噪声方差,χ为与待估向量信道h相关的随机变量,η为与随机变量χ相关的常向量,通过贝叶斯分层结构获取联合概率密度函数p(Ω,y),其中
p(Ω,y)=p(y,h,χ,η,σ)=p(y|h,σ)p(σ)p(h|χ)p(χ;η) (1)
当观察向量y为复数时,则当
观察向量y为实数时,I为单位矩阵,N表示载波数;c及d为伽玛分布的参数;
LNt为待估向量信道h的维度,Nt为基站的天线数,L为基站的每根天线与用户之间信道的维
度,当ρ=1时,待估向量信道h为复数;ρ=0.5时,待估向量信道h为实数,
ηl及χl分别为向量η及χ的第l个
元素;
根据式(1)利用变分消息传递算法求解MISO-OFDM系统的信道
根据式(1)利用变分消息传递算法求解MISO-OFDM系统的信道的具体过称为:
设最接近后验概率密度函数的辅助概率密度函数q(Ω)为:
q(Ω)=q(h)q(χ)q(η)q(σ) (2)
其中q(h)为待估向量信道h的辅助概率密度函数,q(χ)为随机变量χ的辅助概率密度函数,q(η)=1,q(σ)为噪声方差σ的辅助概率密度函数;
变分消息传递算法的散度KL(q(Ω)||p(Ω)|y)为:
其中,p(Ω;y)=p(y)p(Ω|y),p(y)为常数,故通过联合概率密度函数p(Ω,y)代替式(3)中的后验概率密度函数p(Ω|y);
将式(1)及式(2)代入到式(3)中,然后求解散度KL(q(Ω)||p(Ω)|y)最小时对应的辅助概率密度函数q(Ω),并将辅助概率密度函数q(h)最大时对应的待估向量信道h作为MISO-OFDM系统的信道
待估向量信道h的辅助概率密度函数q(h)的表达式:
其中,q(h)∝m(gy→h)m(gh→h)
其中
gy=p(y|h,σ),gh=p(h|χ),gχ=p(χ|η),gη=p(η),gσ=p(σ),<σ>q(σ)为噪声方差的期望值,<h>q(h)表示求变量h在概率密度函数为q(h)下的期望值, 为随机变量的期望值,1≤l≤LNt。
q(χ)为变量χ的概率密度函数的表达式为:
得
其中,<|hl|2>q(h)为信道的期望值,hl为待估信道向量h的第l个元素,Kν(·)为第二类第ν阶修正贝塞尔函数,ε=0.5,ρ取0.5或1。
q(σ)为噪声方差σ的概率密度函数的表达式为:
则有其
中N为载波数。
本发明具有以下有益效果:
本发明所述的MISO-OFDM系统的信道估计方法在获取MISO-OFDM系统的信道估计的过程中,先获取观测向量,再通过贝叶斯分层结构获取 联合概率密度函数,达到对待估计量稀疏度的灵活控制,获得高效的稀疏估计,然后利用变分消息传递算法求解MISO-OFDM系统的信道相比于传统贪婪类算法的局部优化迭代求解,得到的MISO-OFDM系统的信道更加精确,并且在不同信噪比下,本发明相对于现有技术的估计误码率更低。
进一步,利用变分消息传递算法求解MISO-OFDM系统的信道的过程中,通过设置最接近后验概率密度函数的辅助概率密度函数,降低计算的复杂度,两者通过优化变分消息传递算法的散度,得到最近后验概率密度函数的辅助概率密度函数,再通过辅助概率密度函数求得待估计信道的最优值,从而提高信道估计的精度。
附图说明
图1为本发明中仿真实验的仿真图;
具体实施方式
下面结合附图对本发明做进一步详细描述:
在MISO-OFDM系统下行链路传输场景,其基站配置Nt根天线,终端配备1根天线,则发送的导频序列ui的表示式为:
ui=[ui(0),ui(1),…,ui(N-1)]T,1≤i≤Nt
其中i为天线索引,N为载波个数,每根天线的导频信号均不同。将此频域的导频信号做IDFT变换,得到时域的前导信号ti:
其中F为N×N的DFT矩阵;
在时域的前导信号前插入循环前缀(CP)来避免ISI,则接收端收到的混合信号的时域r表达式为:
其中w为噪声向量。
对接收到的时域信号再做DFT变换,得到接收端的频域y表达式为:
其中,y为接收端的接收向量为N×1维矩阵,Hi为由CIR组成的循环矩阵,Fs为由N×N维的DFT矩阵的前L列组成的部分DFT矩阵,hi为信道脉冲响应(CIR)L×1维向量,L为多径数,v为v=Fw噪声向量的频域表达式,v为N×1维向量,diag(·)表示对向量做对角化操作。
则接收端的频域y的表达式变换为:y=Ph+v,其中,
以上的稀疏估计问题中y为观测向量,P为测量矩阵,v是噪声向量,观测向量y内的元素小于信道h内的元素。
MISO-OFDM系统的信道估计方法,其特征在于,包括以下步骤:
MISO-OFDM系统下行链路传输场景,其基站配置Nt根天线,终端配备1根天线,则信道估计过程中,观测向量y的表达式为:
y=Ph+v
其中,h为待估向量信道,P为测量矩阵,v为噪声向量,观测向量 y的维度小于待估向量信道h的维度,且待估向量信道h具有稀疏特性;
设变量集合Ω={h,χ,η,σ},其中,σ为噪声方差,χ为与待估向量信道h相关的随机变量,η为与随机变量χ相关的常向量,通过贝叶斯分层结构获取联合概率密度函数p(Ω,y),其中
p(Ω,y)=p(y,h,χ,η,σ)=p(y|h,σ)p(σ)p(h|χ)p(χ;η) (1)
其中,当观察向量y为复数时,则
I为单位矩阵,N表示载波数,当观察向量y为实数时,其中c及d为伽玛分布的参数,
其中,LNt为待估向量信道h的维度,Nt为基站的天线数,L为基站的每根天线与用户之间信道
的维度,当ρ=1时,待估向量信道h为复数;ρ=0.5时,待估向量信道h为实数,
ηl及χl分别为向量η及χ的第l
个元素;
根据式(1)利用变分消息传递算法求解MISO-OFDM系统的信道
根据式(1)利用变分消息传递算法求解MISO-OFDM系统的信道的具体过称为:
设最接近后验概率密度函数的辅助概率密度函数q(Ω)为:
q(Ω)=q(h)q(χ)q(η)q(σ) (2)
其中q(h)为待估向量信道h的辅助概率密度函数,q(χ)为随机变量χ 的辅助概率密度函数,q(η)=1,q(σ)为噪声方差σ的辅助概率密度函数;
变分消息传递算法的散度KL(q(Ω)||p(Ω)|y)为:
其中,p(Ω;y)=p(y)p(Ω|y),p(y)为常数,故通过联合概率密度函数p(Ω,y)代替式(3)中的后验概率密度函数p(Ω|y);
将式(1)及式(2)代入到式(3)中,然后求解散度KL(q(Ω)||p(Ω)|y)最小时对应的辅助概率密度函数q(Ω),并将辅助概率密度函数q(h)最大时对应的待估向量信道h作为MISO-OFDM系统的信道
待估向量信道h的辅助概率密度函数q(h)的表达式:
其中,q(h)∝m(gy→h)m(gh→h)
其中
gy=p(y|h,σ),gh=p(h|χ),gχ=p(χ|η),gη=p(η),gσ=p(σ),<σ>q(σ)为噪声方差的期望值,<h>q(h)表示求变量h在概率密度函数为q(h)下的期望值, 为随机变量的期望值,1≤l≤LNt。
q(χ)为变量χ的概率密度函数的表达式为:
得
其中,<|hl|2>q(h)为信道的期望值,hl为待估信道向量h的第l个元素,Kν(·)为第二类第ν阶修正贝塞尔函数,ε=0.5,ρ取0.5或1。
q(σ)为噪声方差σ的概率密度函数的表达式为:
则有其
中N为载波数。
仿真实验
设MISO系统中有1根接收天线、8根发射天线:每一对收发天线间的信道多径数为128,可达路径数为20,则MISO系统中共有信道的多径数为128×8,非零值的个数为20×8,利用信道的这一稀疏特性,用贝叶斯建模先验信息,推导出辅助概率密度函数的闭式表达式,利用迭代的思想,直到所估计的未知向量收敛为止。
用贝叶斯分层先验模型建模,并利用本发明的算法VMP算法求解。求解的步骤如下:
1)初始化:令噪声方差的均值<σ>q(σ)=(Var{y})-1,其中的Var{y}表示求变量y的方差,η=[1,1,…,1]T并设置噪声方差的伽玛分布参数为0;
2)将初始化的结果带入公式和 中求辅助概率密度函数q(h);
3)更新辅助概率密度函数q(χ),求出V(χ)。
4)按照公式来更新变量η的值;
5)更新噪声方差的辅助概率密度函数q(σ),得出噪声方差的均值表达式为:
该表达式中的c和d在步骤1)中已经确定为0;
6)重复步骤2)-5)直到收敛,收敛的条件可以设定为本次更新得到的与上次迭代更新的相差的值不超过给定的门限值,这里设定门限值为10-6;
7)所求得的即为信道估计值。
将本发明与两种贪婪类算法的性能作对比以展示本发明的效果,其结果如图1所示。图1中以归一化的误码率作为衡量三种算法性能的标准,在不同信噪比下分别比较了三种算法的性能。从图1中可以看出,本发明相对于OMP算法和SP算法,OMP算法的性能最差,其余两种算法的性能远远优于OMP算法的性能,本发明的性能在低信噪比情况下的性能优于SP算法的性。在0—20dB范围内本发明优于SP算法,在较低的信噪比的情况下,本发明的性能优势更为明显,例如在NMSE为0.1的情况下,本发明比SP算法大约好1dB。归一化均方误差。
然而随着信噪比的增加,本发明的性能和SP算法的性能越来越接近,这是由于随着信噪比变大,噪声对估计性能的影响越来越小。
Claims (5)
1.一种MISO-OFDM系统的信道估计方法,其特征在于,包括以下步骤:
MISO-OFDM系统下行链路传输场景中基站配置Nt根天线,终端配备1根天线,则信道估计过程中,观测向量y的表达式为:
y=Ph+v
其中,h为待估向量信道,P为测量矩阵,v为噪声向量,观测向量y的维度小于待估向量信道h的维度,且待估向量信道h具有稀疏特性;
设变量集合Ω={h,χ,η,σ},其中,σ为噪声标准差,χ为与待估向量信道h相关的随机变量,η为与随机变量χ相关的常向量,通过贝叶斯分层结构获取联合概率密度函数p(Ω,y),其中
p(Ω,y)=p(y,h,χ,η,σ)=p(y|h,σ)p(σ)p(h|χ)p(χ;η) (1)
当观测向量y为复数时,则当观测向量y为实数时,I为单位矩阵,N表示载波数;c及d为伽玛分布的参数;LNt为待估向量信道h的维度,Nt为基站的天线数,L为基站的每根天线与用户之间信道的维度,当ρ=1时,待估向量信道h为复数;ρ=0.5时,待估向量信道h为实数,ε=0.5,ηl及χl分别为向量η及χ的第l个元素,Γ(·)为伽马函数;
根据式(1)利用变分消息传递算法求解MISO-OFDM系统的信道
2.根据权利要求1所述的MISO-OFDM系统的信道估计方法,其特征在于,根据式(1)利用变分消息传递算法求解MISO-OFDM系统的信道的具体过程为:
设最接近后验概率密度函数的辅助概率密度函数q(Ω)为:
q(Ω)=q(h)q(χ)q(η)q(σ) (2)
其中q(h)为待估向量信道h的辅助概率密度函数,q(χ)为随机变量χ的辅助概率密度函数,q(η)=1,q(σ)为噪声方差σ的辅助概率密度函数;
变分消息传递算法的散度KL(q(Ω)||p(Ω)|y)为:
其中,p(Ω;y)=p(y)p(Ω|y),p(y)为常数,故通过联合概率密度函数p(Ω,y)代替式(3)中的后验概率密度函数p(Ω|y);
将式(1)及式(2)代入到式(3)中,然后求解散度KL(q(Ω)||p(Ω)|y)最小时对应的辅助概率密度函数q(Ω),并将辅助概率密度函数q(h)最大时对应的待估向量信道h作为MISO-OFDM系统的信道
3.根据权利要求2所述的MISO-OFDM系统的信道估计方法,其特征在于,待估向量信道h的辅助概率密度函数q(h)的表达式:
其中,q(h)μm(gy→h)m(gh→h)
其中
gy=p(y|h,σ),gh=p(h|χ),gχ=p(χ|η),gη=p(η),gσ=p(σ),<σ>q(σ)为噪声方差的期望值,<h>q(h)表示求变量h在概率密度函数为q(h)下的期望值,为随机变量的期望值,1≤l≤LNt。
4.根据权利要求2所述的MISO-OFDM系统的信道估计方法,其特征在于,q(χ)为变量χ的概率密度函数的表达式为:
q(η)=1
得
其中,<|hl|2>q(h)为信道的期望值,hl为待估信道向量h的第l个元素Kv(g)为第二类第v阶修正贝塞尔函数,ε=0.5,ρ取0.5或1。
5.根据权利要求2所述的MISO-OFDM系统的信道估计方法,其特征在于,q(σ)为噪声方差σ的概率密度函数的表达式为:
则有其中N为载波数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181972.XA CN105207959B (zh) | 2015-04-16 | 2015-04-16 | 一种miso-ofdm系统的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181972.XA CN105207959B (zh) | 2015-04-16 | 2015-04-16 | 一种miso-ofdm系统的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105207959A CN105207959A (zh) | 2015-12-30 |
CN105207959B true CN105207959B (zh) | 2018-12-07 |
Family
ID=54955399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510181972.XA Expired - Fee Related CN105207959B (zh) | 2015-04-16 | 2015-04-16 | 一种miso-ofdm系统的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105207959B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150260B (zh) * | 2018-09-07 | 2021-05-14 | 电子科技大学 | 带有双端相位噪声的大规模mimo系统上行链路数据估计方法 |
CN110113283B (zh) * | 2019-04-25 | 2020-06-26 | 西安交通大学 | 一种ofdm-af系统数据检测方法 |
CN110380994B (zh) * | 2019-05-13 | 2021-09-07 | 上海海事大学 | 快速贝叶斯匹配追踪海上稀疏信道估计方法 |
CN111161053A (zh) * | 2020-01-02 | 2020-05-15 | 中国银行股份有限公司 | 用户类型的预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914870A (zh) * | 2003-12-05 | 2007-02-14 | 高通股份有限公司 | 同时支持miso和mimo接收机的多天线系统 |
CN1951077A (zh) * | 2004-03-05 | 2007-04-18 | 高通股份有限公司 | Miso和mimo系统的导频传输和信道估计 |
CN103973603A (zh) * | 2013-01-28 | 2014-08-06 | 中兴通讯股份有限公司 | 一种信道估计方法和装置 |
-
2015
- 2015-04-16 CN CN201510181972.XA patent/CN105207959B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1914870A (zh) * | 2003-12-05 | 2007-02-14 | 高通股份有限公司 | 同时支持miso和mimo接收机的多天线系统 |
CN1951077A (zh) * | 2004-03-05 | 2007-04-18 | 高通股份有限公司 | Miso和mimo系统的导频传输和信道估计 |
CN103973603A (zh) * | 2013-01-28 | 2014-08-06 | 中兴通讯股份有限公司 | 一种信道估计方法和装置 |
Non-Patent Citations (2)
Title |
---|
"Estimation of Sparse MIMO Channels with common support";Yann Barbotin等;《IEEE》;20120921;第60卷(第12期);第3705-3716页 * |
"OFDM系统下的稀疏信道估计";谢晖;《中国博士学位论文全文数据库信息科技辑》;20141215;第I136-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105207959A (zh) | 2015-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105656819B (zh) | 一种基于压缩感知和大规模mimo的自适应信道估计方法 | |
CN109257309B (zh) | 一种高性能的大规模mimo下行链路传输信道估计方法 | |
CN108832976B (zh) | 一种大规模mimo系统的上行链路信道估计方法 | |
CN105207959B (zh) | 一种miso-ofdm系统的信道估计方法 | |
CN109560841A (zh) | 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法 | |
CN108599820A (zh) | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法 | |
CN106453162B (zh) | 针对多输入多输出正交频分复用系统的信道估计方法 | |
CN106534002B (zh) | 一种基于压缩感知的电力线信道估计方法 | |
JP2012165370A (ja) | 無線多入力多出力(mimo)ネットワークにおいて送信機と受信機との間のチャネルのためのチャネル行列を推定するための方法 | |
Pedersen et al. | Application of Bayesian hierarchical prior modeling to sparse channel estimation | |
CN108512787A (zh) | 大规模mimo系统的超精细信道估计方法 | |
CN104320369B (zh) | 一种基于信道估计误差和数据检测误差的迭代方法 | |
CN109768943A (zh) | 宽带多用户毫米波系统中基于变分贝叶斯学习的信道估计方法 | |
CN104539340B (zh) | 一种基于稀疏表示和协方差拟合的稳健波达角估计方法 | |
CN106027429A (zh) | 处理多个信号的方法和信号处理设备 | |
CN105681232A (zh) | 一种基于共享信道和压缩感知的大规模mimo信道估计方法 | |
CN107566305A (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN110380994B (zh) | 快速贝叶斯匹配追踪海上稀疏信道估计方法 | |
CN106130936B (zh) | 一种Alpha稳定分布噪声环境下的非线性信道均衡方法 | |
CN107276934B (zh) | 一种大规模mimo系统多用户上行鲁棒检测方法 | |
CN105847192B (zh) | 一种动态稀疏信道的联合估计方法 | |
CN111007457B (zh) | 一种基于块稀疏贝叶斯模型的辐射源直接定位方法 | |
CN104977562A (zh) | 完全分布式无线传感网中鲁棒性多声源定位方法 | |
Wang et al. | Compressive sensing based user activity detection and channel estimation in uplink NOMA systems | |
CN106059730A (zh) | 一种基于稀疏信道估计的自适应导频结构优化设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181207 Termination date: 20210416 |
|
CF01 | Termination of patent right due to non-payment of annual fee |