CN109639604A

CN109639604A - 一种基于实值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

Info

Publication number: CN109639604A
Application number: CN201910022276.2A
Authority: CN
Inventors: 戴继生; 周磊; 曹政; 方忠驰
Original assignee: Jiangsu University
Current assignee: Jiangsu University
Priority date: 2019-01-10
Filing date: 2019-01-10
Publication date: 2019-04-16

Abstract

本发明公开了一种基于实值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，1：基站采用具有N根天线的均匀线性阵列，下行链路用户采用单天线，T个时刻内，基站发送导频信号矩阵X，用户接收到信号y＝Φ(β)s+n；2：定义实值化矩阵Q_N；3：定义X＝GQ_N，构造实值接收信号矩阵Y＝Φ(β)S+N；4：设置迭代次数计数变量k＝1，初始化s的精度向量中的各元素为1，初始化噪声精度α＝1，初始化β为全零元素；5：利用SBL原理和期望最大化准则，固定δ、β，更新α；6：固定α、β，更新δ；7：固定α、δ，更新β；8：判断k是否达到上限K或δ是否收敛，如果都不满足，则k＝k+1，并返回5；9：设置门限η，利用η选取信道的有效角度集合Ω；10：根据Ω估计最终的信道。

Description

一种基于实值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实值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。

背景技术

大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)系统因具有超高的频谱效率而受到广泛关注。在大规模MIMO系统中，基站配置大量的天线，而基站所服务的移动用户数目远少于基站天线数目，基站利用同一个时频资源同时服务若干个移动用户，充分发掘利用空间自由度，提升系统频谱效率和功率效率。目前，大规模MIMO 技术已经成为5G无线网络的关键技术之一。

信道估计是信号检测和自适应传输的基础，对于大规模MIMO无线传输性能起重要影响作用。大规模MIMO系统中的主要限制因素是基站处瞬时信道状态信息(channel stateinformation，CSI)的准确性。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，提出了一些基于稀疏贝叶斯学习的下行链路信道估计方法。例如在文献J.Dai,A.Liu and V.K.N.Lau,FDD Massive MIMOChannel Estimation with Arbitrary 2D-Array Geometry,IEEE Transactions onSignal Processing,vol.66,no.10,pp.2584-2599,15May,2018中提出了一种基于离网稀疏贝叶斯学习的大规模MIMO通信系统的信道估计方法，但是此方法在实际应用过程中存在计算量过大的问题。

发明内容

针对现有方法的不足，本发明将提出一种基于实值稀疏贝叶斯学习(Real-ValuedSparse Bayesian Learning，Real-Valued 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)s+n。

步骤2：定义实值化矩阵Q_N。

步骤3：定义X＝GQ_N,并构造实值接收信号矩阵Y＝Φ(β)S+N。

步骤4：设置迭代次数计数变量k＝1，初始化s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。

步骤5：利用稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)原理和期望最大化 (Expectation Maximization，EM)准则，固定δ、β，更新α。

步骤6：固定α、β，更新δ。

步骤7：固定α、δ，更新β。

步骤8：判断迭代计数变量k是否达到上限K或δ是否收敛，如果都不满足，则迭代计数变量k＝k+1，并返回步骤5。

步骤9：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10：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，本发明获得了一种迭代更新α，δ和β的方法。与现有方法相比，本发明能降低计算量，节省运算时间，同时本发明能有效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50到120变化时，本发明和离网稀疏贝叶斯学习方法估计信道的归一化均方根误差(NMSE)比较。

图3是200次蒙特卡洛实验条件下，信噪比为0dB时，导频时刻T由50到120变化时，本发明和离网稀疏贝叶斯学习方法估计信道所用时间的比较。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本发明的具体实施步骤和方法包括如下：

(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为 y＝Φ(β)s+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)]，

φ(θ_i+β_i)＝(2πd/λ)sin(θ_i+β_i)，

λ表示电磁波的工作波长，d表示相邻传感器之间的距离，表示均匀划分的L个网格点，即中的元素β_i表示θ_i上的角度偏差，

s是一个L维的信道在测量矩阵Φ(β)上稀疏表示的向量，n是一个T维的均值为0，精度为α的高斯白噪声向量。

(2)定义实值化矩阵Q_N：

N为偶数时，

N为奇数时，

其中：

表示维度为的单位矩阵，

表示维度为副对角线元素为1，其余元素为0的矩阵。

(3)定义X＝GQ_N,并构造实值接收信号矩阵Y＝Φ(β)S+N，其中：

Y＝[Re(y)Im(y)]，S＝[Re(s)Im(s)]，)]，N＝[Re(n)Im(n)]，

Re(·)，Im(·)分别表示向量的实数部分和虚数部分，

Φ(β)＝GA(β)，

G为T×N维的独立实数高斯分布矩阵，

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

(4)设置迭代次数计数变量k＝1，初始化s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。

(5)固定δ、β，更新α：

其中：

tr(·)表示矩阵的迹，||·||₂表示矩阵的2范数，(·)^H表示共轭转置，

a＝b＝0.0001，

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

y_m表示Y的第m列，μ_m表示μ的第m列，diag(·)表示对角运算矩阵。

(6)固定α、β，更新δ：

其中：

Ξ(α,δ,β)＝μ_m(α,δ,β)μ_m ^H(α,δ,β)+Σ(α,δ,β)，

[·]_ii表示矩阵的第i个对角线元素。

(7)固定α、δ，更新β：

其中：

sign(·)表示取正负号运算，

ζ＝[ζ(β₁),ζ(β₂),…ζ(β_L)]^T，

ζ(β_l)＝a'(θ_l+β_l)^TG^TGa(θ_l+β_l)c₁+a'(θ_l+β_l)^TG^Tc₂，

μ_mj表示μ_m(α,δ,β(的第j个元素，χ_jl表示Σ(α,γ,β)的第(j,l)个元素，

a'(θ_l+β_l)表示a(θ_l+β_l)关于β_l的导数。

(8)判断迭代计数变量k是否达到上限K(例如K＝100)或δ是否收敛(即当次更新结果与上次更新结果是否相等)，如都不满足，则迭代计数变量k＝k+1，并返回(5)。

(9)设置门限其中(μ_i)²表示(μ(α,δ,β))²第i个均值最大的行，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,...,L}。

(10)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50到120变化时对信道进行200次估计，网格数为200，仿真结果如图2和图3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通信系统的下行链路信道信息，其NMSE性能明显优于现有方法。

从图3可以看出，本发明能减少计算量，降低计算复杂度，其运算时间明显少于现有方法。

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

1.一种基于实值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，移动用户接收到的信号是y＝Φ(β)s+n；Φ(β)表示测量矩阵；s是一个L维的信道在测量矩阵Φ(β)上稀疏表示的向量；n表示高斯白噪声向量；

步骤2：定义实值化矩阵Q_N；

步骤3：定义X＝GQ_N，并构造实值接收信号矩阵Y＝Φ(β)S+N；其中，G为T×N维的独立实数高斯分布矩阵

步骤4：设置迭代次数计数变量k＝1，初始化s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；

步骤5：利用SBL原理和期望最大化准则，固定δ、β，更新α；

步骤6：固定α、β，更新δ；

步骤7：固定α、δ，更新β；

步骤8：判断迭代计数变量k是否达到上限K或δ是否收敛，如果都不满足，则迭代计数变量k＝k+1，并返回步骤5；

步骤9：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10：利用有效角度集合Ω，估计最终的信道。

2.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤1中，所述Φ(β)＝XA(β)；

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

φ(θ_i+β_i)＝(2πd/λ)sin(θ_i+β_i)，

λ表示电磁波的工作波长，d表示相邻传感器之间的距离，

表示均匀划分的L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1所述的下行链路信道估计方法，其特征在于，步骤2中，所述实值化矩阵Q_N的表达式为：

当N为偶数时，

当N为奇数时，

其中：

表示维度为的单位矩阵，

表示维度为副对角线元素为1，其余元素为0的矩阵。

4.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤3中，Y＝[Re(y) Im(y)]，S＝[Re(s) Im(s)]，N＝[Re(n) Im(n)]，

其中：Re(·)，Im(·)分别表示向量的实数部分和虚数部分，

Φ(β)＝GA(β)，G为T×N维的独立实数高斯分布矩阵，

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

5.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤5中，更新α的方法为：

其中：

a＝b＝0.0001，

6.根据权利要求5所述的下行链路信道估计方法，其特征在于，步骤6中，更新δ的方法为：

其中：

Ξ(α,δ,β)＝μ_m(α,δ,β)μ_m ^H(α,δ,β)+Σ(α,δ,β)，

[·]_ii表示矩阵的第i个对角线元素。

7.根据权利要求6所述的下行链路信道估计方法，其特征在于，步骤7中，更新β的方法为：

其中：

sign(·)表示取正负号运算，

ζ＝[ζ(β₁),ζ(β₂),…ζ(β_L)]^T，

ζ(β_l)＝a'(θ_l+β_l)^TG^TGa(θ_l+β_l)c₁+a'(θ_l+β_l)^TG^Tc₂，

μ_mj表示μ_m(α,δ,β)的第j个元素，χ_jl表示Σ(α,γ,β)的第(j,l)个元素，

a'(θ_l+β_l)表示a(θ_l+β_l)关于β_l的导数。

8.根据权利要求1所述的下行链路信道估计方法，其特征在于，步骤9中，所述门限η的表达式为：其中(μ_i)²表示(μ(α,δ,β))²第i个均值最大的行，所述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,...,L}。

9.根据权利要求8所述的下行链路信道估计方法，其特征在于，步骤10中，所述估计最终的信道为：

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。