CN108337199A - 一种基于稀疏贝叶斯学习的大规模mimo通信系统的下行链路信道估计方法 - Google Patents

Abstract

本发明公开了一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，包括以下步骤：1：基站采用具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则移动用户接收到的信号是y＝Φ(β)w+n。2：设置迭代次数计数变量初始值为l＝1，初始化w的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素的矩阵。3：利用SBL原理和EM(Expectation Maximization)准则，更新α，γ和β。4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回3。5：设置门限η，并利用该门限选取信道的有效角度集合Ω。6：利用有效角度集合Ω，估计最终的信道。本发明能极大改善信道估计的性能。

Description

一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路 信道估计方法

技术领域

本发明属于无线通信领域，涉及一种多输入多输出(Multi-input Multi-output，MIMO)通信系统的信道估计方法，具体地说是一种基于稀疏贝叶斯学习的大规模MIMO通信系统的信道估计方法。

背景技术

多输入多输出(Multi-input Multi-output，MIMO)技术已成为未来通信系统的核心技术之一，同时也将是无线局域网标准所采用的核心技术之一。大规模MIMO通信系统是指在基站覆盖区域内以大规模阵列方式集中放置数十根甚至数百根以上的天线。由于拥有数以百计的天线单元，大规模MIMO系统的空间自由度较高，利用波束形成技术可以将能量集中于较小的区域，极大地提高了传输速率并改善了能量效率。大规模MIMO系统有望从根本上解决移动通信的频谱效率和能量效率问题，其已成为5G移动通信的重要技术之一。

信道估计是通信信号检测和自适应传输的基础，对通信系统的性能起着至关重要的作用。由于基站的天线数较多，大规模MIMO系统的下行链路信道估计变得异常困难,人们已尝试从稀疏信号恢复的角度，提出了一些基于傅立叶变换的稀疏下行链路信道估计方法。例如在文献Rao X.and Lau V.K.,Distributed compressive CSIT estimation andfeedback for FDD multi-user massive MIMO systems,IEEE Transactions on SignalProcessing,62(12)(2014)3261-3271中提出了一种基于l₁-norm的傅立叶变换的信道估计方法。但是现有方法采用的傅立叶变换矩阵并不能满足于实际应用，因为实际无线信号的波达方向与傅立叶变换矩阵对应的角度总存在偏差(即,离格偏差)，会造成信道估计性能的损失。

发明内容

针对现有方法的不足，本发明将提出一种基于稀疏贝叶斯学习(Sparse BayesianLearning,SBL)的大规模MIMO通信系统的信道估计方法。

用于实现本发明的技术解决方案包括如下步骤：

步骤1：基站采用了一个具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则移动用户接收到的信号是y＝Φ(β)w+n。

步骤2：设置迭代次数计数变量l＝1，初始化w的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素的向量。

步骤3：利用SBL原理和期望最大化(Expectation Maximization，EM)准则，更新α，γ和β。

步骤4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3。

步骤5：设置门限η，并利用该门限选取信道的有效角度集合Ω。

步骤6：利用有效角度集合Ω，估计最终的信道。

本发明的有益效果：

利用SBL原理和期望最大化EM准则，本发明获得了新的迭代更新α，γ和β的方法。β的引入能消除离格偏差，与现有方法相比，本发明能极大地改善信道估计的性能。

附图说明

图1是本发明实施流程图。

图2是200次蒙特卡洛实验条件下，信噪比为0dB时，导频时刻T由30到100变化时，本发明与传统傅立叶变换方法分别估计信道的归一化均方根误差(NMSE)比较。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，本发明的方法包括如下步骤：

(1)基站采用了一个具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则移动用户接收到的信号是y＝Φ(β)w+n，其中:

Φ(β)＝XA(β)称为测量矩阵，

A(β)＝[a(θ₁+β₁),a(θ₂+β₂),...,a(θ_N+β_N)]，

a(θ_i+β_i)＝[1,exp(-jπsin(θ_i+β_i)),...,exp(-jπ(N-1)sin(θi_i+β_i))]^T，

表示均匀划分的N个网格点，即

中的元素β_i表示θ_i上的角度偏差，

w是信道在测量矩阵Φ(β)上的稀疏表示向量，

n是一个T维的均值为0，精度为α的高斯白噪声向量。

(2)设置迭代次数计数变量l＝1，初始化w的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素。

(3)利用SBL原理和期望最大化EM准则，更新α，γ和β，即：

其中：

tr(·)表示矩阵的迹，||·||₂表示矩阵的2范数，sign(·)表示取正负号运算，[·]_ii表示矩阵的第i个对角线元素，(·)^H表示共轭转置，a＝b＝0.0001，

μ(α,γ,β)＝αΣ(α,γ,β)Φ^H(β)y，Σ(α,γ,β)＝(αΦ^H(β)Φ(β)+diag(γ))-¹

diag(·)表示对角运算矩阵，Ξ(α,γ,β)＝μ(α,γ,β)μ^H(α,γ,β)+Σ(α,γ,β)，

ζ_i＝Re(a'(θi_i+β₀)^HX^HXa(θi_i+β_i))·c_i1+Re(a'(θi_i+β_i)^HX^Hc_i2)，

Re(·)表示取实部运算，

μi_i表示μ(α,γ,β)的第i个元素，χ_ji表示Σ(α,γ,β)

的第(j,i)个元素，

(·)*表示共轭运算，a'(θ_i+βi_i)表示a(θi_i+βi_i)关于βi_i的导数。

(4)判断迭代计数变量l是否达到上限L(例如L＝100)或γ是否收敛(即当次更新结果与上次更新结果是否相等)，如果都不满足，则迭代计数变量l＝l+1，并返回(3)。

(5)设置门限其中表示μ(α,γ,β)中第i个值最大的元素，并利用该门限选取信道的有效角度集合Ω＝{i|(μ_i)²≥η,i＝1,2,...,N}。

(6)利用有效角度集合Ω，估计最终的信道：其中(·)_Ω表示由矩阵中集合Ω对应的列向量组成的子矩阵，表示矩阵的广义逆。

下面结合仿真实验对本发明的效果做进一步说明。

为了评估本方法的性能，假设基站采用了一个具有N＝150根天线的均匀线性阵列，下行链路的工作频率为2170MHz，无线信道由3GPP spatial channel model(SCM)模型随机产生，基站发送导频信号矩阵X的每个元素服从零均值单位方差的独立高斯分布，背景噪声假设为高斯白噪声。

实验条件

采用本发明在信噪比为0dB，导频时刻T由30到100变化时对信道进行200次估计，仿真结果如图2所示。

实验分析

从图2可以看出，本发明能精确地估计出大规模MIMO通信系统的信道信息，其NMSE性能明显优于传统方法。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，包括如下步骤：

步骤1：基站采用了一个具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则移动用户接收到的信号是y＝Φ(β)w+n；Φ(β)为测量矩阵，w是信道在测量矩阵Φ(β)上的稀疏表示向量，n是一个T维的均值为0、精度为α的高斯白噪声向量；

步骤2：设置迭代次数计数变量l＝1，初始化w的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素的矩阵；

步骤3：利用SBL原理和期望最大化EM准则，更新α，γ和β；

步骤4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3；

步骤5：设置门限η，并利用该门限选取信道的有效角度集合Ω；

步骤6：利用有效角度集合Ω，估计最终的信道。

2.根据权利要求1所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述步骤1中的Φ(β)＝XA(β)；其中：

A(β)＝[a(θ₁+β₁)，a(θ₂+β₂)，...，a(θ_N+β_N)]，

a(θ_i+β_i)＝[1，exp(-jπsin(θ_i+β_i))，...，exp(-jπ(N-1)sin(θ_i+β_i))]^T，

表示均匀划分的N个网格点，即

中的元素β_i表示θ_i上的角度偏差。

3.根据权利要求2所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述步骤3的更新方法为：

其中：tr(·)表示矩阵的迹，||·||₂表示矩阵的2范数，sign(·)表示取正负号运算，[·]_ii表示矩阵的第i个对角线元素，(·)^H表示共轭转置，a＝b＝0.0001，

μ(α，γ，β)＝α∑(α，γ，β)Φ^H(β)y，∑(α，γ，β)＝(αΦ^H(β)Φ(β)+diag(γ))^-1

diag(·)表示对角运算矩阵，Ξ(α，γ，β)＝μ(α，γ，β)μ^H(α，γ，β)+∑(α，γ，β)，

ζ_i＝Re(a′(θ_i+β_i)^HX^HXa(θ_i+β_i))·c_i1+Re(a′(θ_i+β_i)^HX^Hc_i2)，

Re(·)表示取实部运算，

μ_i表示μ(α，γ，β)的第i个元素，χ_ji表示∑(α，γ，β)的第(j，i)个元素，

(·)^*表示共轭运算，a′(θ_i+β_i)表示a(θ_i+β_i)关于β_i的导数。

4.根据权利要求1所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述步骤4中判断γ是否收敛的判断标准具体为：本次更新结果与上次更新结果是否相等。

5.根据权利要求3所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述步骤5中的门限其中表示μ(α，γ，β)中第i个值最大的元素。

6.根据权利要求5所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述步骤5中选取的信道的有效角度集合为：Ω＝{i|(μ_i)²≥η，i＝1，2，...，N}。

7.根据权利要求3所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述步骤6中估计的最终的信道为：其中(·)_Ω表示由矩阵中集合Ω对应的列向量组成的子矩阵，表示矩阵的广义逆。

8.根据权利要求1-7任一项所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述N设为150。

9.根据权利要求1-7任一项所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，所述L设为100。

10.根据权利要求1-7任一项所述的一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，其特征在于，导频时刻T为30到100。