CN109768943A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109768943A CN109768943A CN201910169672.8A CN201910169672A CN109768943A CN 109768943 A CN109768943 A CN 109768943A CN 201910169672 A CN201910169672 A CN 201910169672A CN 109768943 A CN109768943 A CN 109768943A
- Authority
- CN
- China
- Prior art keywords
- channel
- estimation
- channel estimation
- parameter
- information
- 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.)
- Withdrawn
Links
Landscapes
- Radio Transmission System (AREA)
Abstract
宽带多用户毫米波大规模多入多出(MIMO)系统中基于变分贝叶斯学习的信道估计方法,考虑了混合预编码架构和宽带毫米波信道呈现出的频率选择性衰落特性。该信道估计方法的操作步骤如下:(1)信道估计问题建模阶段:考虑频率域的信道估计问题,通过观察各信道参数服从的概率分布,将信道估计问题建模为基于稀疏贝叶斯学习的信号重构问题。(2)信道状态信息估计阶段:完成信道估计问题建模后,采用变分贝叶斯学习的算法进行信道状态信息的估计,即通过参数学习的方法推导出信道参数的后验分布信息。本发明将变分贝叶斯学习引入到宽带多用户毫米波频率选择性衰落信道估计问题中来。本发明方法能够在提高信道估计精度的前提下,降低估计所需的导频开销。
Description
技术领域
本发明涉及一种用于宽带多用户毫米波大规模MIMO系统中的信道估计方法,确切地说,是一种稀疏信道向量状态信息的估计方法,属于无线通信技术领域。
背景技术
近年来,毫米波通信技术凭借其可以提供千兆比特每秒的传输速率被公认为第五代移动通信技术之一。与大规模MIMO技术和混合预编码技术相结合,相关研究方兴未艾。在毫米波大规模MIMO系统中,基站端往往需要配置一百或者几百根天线,同时服务几十个用户。随着天线数目的增加,信道状态信息矩阵的维度增大,传统的信道估计方法将不再适用。在毫米波通信系统中,因为信道状态信息的准确获取在移动通信技术中占据着至关重要的地位,所以为了使毫米波技术更加适用于工程应用,提升信道状态信息估计的准确度尤为重要。
在宽带多用户毫米波MIMO通信系统中,提升信道状态信息估计的准确度是一个至关重要的问题。现有的估计方法中,通过开发毫米波信道固有的稀疏特性,基于压缩感知的信道估计方法被广泛提出。通过正交匹配追踪(OMP)算法虽然在一定程度上降低了估计过程中所需的导频开销,但大部分的信道估计算法假设的都是窄带平坦衰落的信道模型,很难将其应用于实际工程中。
另一方面,也有一些基于宽带毫米波信道的估计算法。通过开发毫米波信道角域和时延域联合稀疏的特性,以时域为参考系的联合信道估计(JCE)算法被广泛提出,但是这些基于时域的算法仅仅受限于单载波系统。随着多载波通信系统的广泛应用,基于多分辨率码本的设计,以频域为参考系的针对宽带频率选择性信道的估计算法吸引了人们的注意,但上述算法由于码本的分辨率受限,将导致信道估计算法的性能有所衰减。另一方面,随着贝叶斯理论在通信系统中的应用,有人把机器学习的相关方法迁移到信道估计的问题中来,但这些迁移针对的毫米波系统都是采用的简化的窄带平坦衰落信道模型,考虑的场景是只有一个用户和一个基站的“点对点”通信问题。
针对现有方法的提升估计准确度的问题,本发明考虑了宽带多用户毫米波大规模MIMO系统的场景,提出了一种基于变分贝叶斯学习的提升信道估计准确度的高效方法。
发明内容
有鉴于此,本发明的目的是提供一种在宽带多用户毫米波大规模MIMO系统中利用机器学习中变分贝叶斯学习来估计信道状态信息的方法,即一种在宽带多用户毫米波大规模MIMO系统中,利用求解隐变量的后验概率分布来估计信道状态信息的方法。本发明方法利用了毫米波宽带频率选择性衰落共同稀疏性的特征,将接收到的信号变换到频率域实现信号维度的降低,并将信道估计问题建模为信号估计问题;根据信道参数的概率分布特征,采用变分贝叶斯学习对各隐变量的后验概率分布信息进行求解。因此,所提出的估计方法通过参数学习的方法从根本上避免了OMP和JCE带来的分辨率受限的问题,降低了估计误差。同时,开发宽带频率选择性衰落信道的联合稀疏特性也在一定程度上降低了估计过程中所需的导频开销。
为了达到上述目的,本发明提供了一种宽带多用户毫米波大规模MIMO系统中基于变分贝叶斯学习的信道估计方法,用于下述场景:多个用户向一个基站发送信息的上行链路通信系统,用户端和基站端都配备混合预编码装置;基站大规模天线阵列为均匀线性天线阵。其特征在于:所述方法包括下列两个操作步骤:
(1)信道估计问题建模阶段:考虑频率域的信道估计问题,通过观察各信道参数服从的概率分布,将信道估计问题建模为基于稀疏贝叶斯学习的信号重构问题。所提信道估计问题建模阶段的具体步骤如下:
(11)把时域的信号接收模型转换到频率域,通过开发毫米波信道固有的稀疏特性和频率选择性衰落信道的共同稀疏特性,对信道信息进行降维处理,把信道估计问题转化为信号估计问题。
(12)根据稀疏信道向量信息、噪声和随机误差的概率分布特征,将估计问题进一步建模为基于稀疏贝叶斯学习的信号重构问题。
一方面,通过开发稀疏性,将信道估计问题建模为信号估计问题,对信道信息进行了降维,可以降低信道估计所需的导频开销;另一方面,将稀疏信号重构问题进一步建模为稀疏贝叶斯模型,避免了由于码本分辨率的有限性造成的量化误差,可以进一步提升信道估计算法的准确度。
(2)信道状态信息估计阶段:完成信道估计问题建模后,采用变分贝叶斯学习的算法进行信道状态信息的估计,即通过参数学习的方法推导出信道参数的后验概率分布信息。所提估计方法的具体步骤如下:
(21)由于稀疏信道向量、噪声和随机误差的后验概率求解非常复杂,借助“信息熵”的理论将接收信号的对数似然函数进行变换,进而求解各隐变量后验参数的渐进表达式。
(22)采用变分贝叶斯学习的方法,计算稀疏信道向量的后验参数的渐进表达式q(h),观察稀疏信道向量服从的概率分布特征。
(23)同样地,采用变分贝叶斯学习方法计算其余变量的后验参数的渐进表达式q(α),q(γ),q(θ)和q(β),多次迭代直到收敛。
(24)将求解的稀疏信道信息去向量化,根据矩阵知识估计信道矩阵信息。
借助变分贝叶斯学习的鲁棒性,通过对各信道参数隐变量后验概率分布的推导,估计稀疏的信道状态信息向量。由于各个隐变量的信息是通过参数学习得来的,可以进一步提升估计的准确性。
本发明基于变分贝叶斯学习的信道估计方法是一种用于宽带多用户毫米波大规模MIMO系统中的信道估计方法。其优点是:不仅降低了导频开销,还提升了信道估计的准确度。本发明方法的创新关键是:利用频率域不同载波间联合稀疏的特点,降低所需导频开销;利用稀疏贝叶斯网络和变分贝叶斯学习方法的鲁棒性,提升信道估计的准确度。本发明是一种提升准确度的估计方法,能为宽带多用户毫米波大规模MIMO系统提供更高准确度的信道估计状态信息。
附图说明
图1是本发明应用场景:宽带多用户毫米波系统示意图。
图2是本发明宽带多用户毫米波系统中估计方法的流程图。
图3是本发明实施例中,归一化均方误差(NMSE)与估计所需导频关系的仿真图。
图4是本发明实施例中,NMSE与信噪比(SNR)关系的仿真图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明作进一步的详细描述。
参见图1,先介绍本发明方法的应用场景:包括一个基站和K个用户的通信系统,在一段时间内所有用户向基站发射信号;系统中天线阵列为均匀线性天线阵,其中基站端和用户端各配有NBS和NUE根天线;在用户端和基站端分别采用混合预编码架构降低实际场景中的硬件复杂度,其中基站端和用户端各配有MBS和MUE条射频(RF)链,RF链与天线之间采用全连接的方式,发送端混合预编码分为数字预编码(FBB)和混合预编码(RF链),接收端同理,另外,我们用补零(ZP)来代替循环前缀来重置符号间的模拟电流,进而避免不同符号边界的导频碰撞;K个用户通过毫米波宽带频率选择性衰落信道将信息发送给基站端。
参见图2,介绍本发明方法的下列两个操作步骤:
(1)信道估计问题建模阶段:考虑频率域的信道估计问题,通过观察各信道参数服从的概率分布,将信道估计问题建模为基于稀疏贝叶斯学习的信号重构问题。该步骤的操作内容为:
(11)把时域的信号接收模型转换到频率域,通过开发毫米波信道固有的稀疏特性和频率选择性衰落信道的共同稀疏特性,对信道信息进行降维处理,把信道估计问题转化为信号估计问题。
(12)根据稀疏信道向量信息、噪声和随机误差的概率分布特征,将估计问题进一步建模为基于稀疏贝叶斯学习的信号重构问题。
(2)信道状态信息估计阶段:完成信道估计问题建模后,采用变分贝叶斯学习的算法进行信道状态信息的估计,即通过参数学习的方法推导出信道参数的后验分布信息。具体步骤如下:
(21)由于稀疏信道向量、噪声和随机误差的后验概率求解非常复杂,借助“信息熵”的理论将接收信号的对数似然函数数进行变换,进而求解各隐变量后验参数的渐进表达式。
(22)采用变分贝叶斯学习的方法,计算稀疏信道向量的后验参数的渐进表达式q(h),观察稀疏信道向量服从的概率分布特征。
(23)同样地,采用变分贝叶斯学习方法计算其余变量的后验参数的渐进表达式q(α),q(γ),q(θ)和q(β),多次迭代直到收敛。
(24)将求解的稀疏信道信息去向量化,根据矩阵知识估计信道矩阵信息。
为了展示本发明方法的实用性能,申请人进行了多次仿真实施试验。试验系统中的网络配置模型为图1所示的应用场景。
仿真试验的结果如图3和图4所示,分别从导频开销和SNR两个方面对NMSE进行了仿真。为了更直观地体现本发明方法的优越性,将本方法的仿真结果与现有的OMP和JCE的估计方法进行了对比。
由图3可以看出,本发明方法明显地降低了信道估计过程中所需要的导频开销,也就是说所提出的方法能够在一定量导频开销的前提下,提升估计的准确度。图4表明,本发明方法获得的信道状态信息的NMSE对于不同的SNR均优于现存的信道估计处理方法,尤其是在较低SNR的场景下,比较适合毫米波系统。因此,本发明方法对于信道状态信息的估计精度高于现有其它方法。
以上所述仅为本发明的较佳实例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (3)
1.宽带多用户毫米波大规模多入多出(MIMO)系统中基于变分贝叶斯学习的信道估计方法,用于下述场景:多个用户向一个基站发送信息的上行链路通信系统,用户端和基站端都配备混合预编码装置;基站大规模天线阵列为均匀直线天线阵。其特征在于:所述方法包括下列两个操作步骤:
(1)信道估计问题建模阶段:考虑频率域的信道估计问题,通过观察各信道参数服从的概率分布,将信道估计问题建模为基于稀疏贝叶斯学习的信号重构问题;
(2)信道状态信息估计阶段:完成信道估计问题建模后,采用变分贝叶斯学习的算法进行信道状态信息的估计,即通过参数学习的方法推导出信道参数的后验分布信息。
2.根据权利要求1所述的方法,其特征在于:所述步骤(1)中,信道估计问题建模阶段包括下列操作内容:
(11)把时域的信号接收模型转换到频率域,通过开发毫米波信道固有的稀疏特性和频率选择性衰落信道的共同稀疏特性,对信道信息进行降维处理,把信道估计问题转化为信号估计问题;
(12)根据稀疏信道向量信息、噪声和随机误差的概率分布特征,将估计问题进一步建模为基于稀疏贝叶斯学习的信号重构问题。
3.根据权利要求1所述的方法,其特征在于:所述步骤(2)中,信道状态信息估计阶段包括下列操作内容:
(21)由于稀疏信道向量、噪声和随机误差的后验概率求解非常复杂,借助“信息熵”的理论将接收信号的对数似然函数进行变换,进而求解各隐变量后验参数的渐进表达式;
(22)采用变分贝叶斯学习的方法,计算稀疏信道向量的后验参数的渐进表达式q(h),观察稀疏信道向量服从的概率分布特征;
(23)同样地,采用变分贝叶斯学习方法计算其余变量的后验参数的渐进表达式q(α),q(γ),q(θ)和q(β),多次迭代直到收敛;
(24)将求解的稀疏信道信息去向量化,根据矩阵知识估计信道矩阵信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169672.8A CN109768943A (zh) | 2019-03-05 | 2019-03-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169672.8A CN109768943A (zh) | 2019-03-05 | 2019-03-05 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109768943A true CN109768943A (zh) | 2019-05-17 |
Family
ID=66457906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169672.8A Withdrawn CN109768943A (zh) | 2019-03-05 | 2019-03-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109768943A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110350963A (zh) * | 2019-08-01 | 2019-10-18 | 湖南国科锐承电子科技有限公司 | 毫米波mimo通信系统中波束成形的方法和系统 |
CN111142065A (zh) * | 2019-12-20 | 2020-05-12 | 郑州大学 | 一种低复杂度稀疏贝叶斯矢量的估计方法及系统 |
CN112311706A (zh) * | 2020-11-03 | 2021-02-02 | 南京大学 | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 |
CN112769462A (zh) * | 2021-01-07 | 2021-05-07 | 电子科技大学 | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 |
CN112887233A (zh) * | 2021-01-21 | 2021-06-01 | 中国科学技术大学 | 一种基于2维簇结构的稀疏贝叶斯学习信道估计方法 |
CN113347125A (zh) * | 2021-06-09 | 2021-09-03 | 浙江大学 | 针对mimo-ofdm通信系统的贝叶斯神经网络信道估计方法和装置 |
CN114726686A (zh) * | 2022-03-24 | 2022-07-08 | 南京邮电大学 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011154964A1 (en) * | 2010-06-11 | 2011-12-15 | Centre Of Excellence In Wireless Technology | Robust channel estimation of ofdm systems |
CN108111441A (zh) * | 2018-01-12 | 2018-06-01 | 电子科技大学 | 基于变分贝叶斯推断的信道估计方法 |
CN108259398A (zh) * | 2018-01-12 | 2018-07-06 | 电子科技大学 | 基于变分贝叶斯推断的复杂混合模型的信道估计方法 |
CN108881078A (zh) * | 2018-07-10 | 2018-11-23 | 电子科技大学 | 基于变分贝叶斯推断的毫米波系统双端相位噪声抑制方法 |
-
2019
- 2019-03-05 CN CN201910169672.8A patent/CN109768943A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011154964A1 (en) * | 2010-06-11 | 2011-12-15 | Centre Of Excellence In Wireless Technology | Robust channel estimation of ofdm systems |
CN108111441A (zh) * | 2018-01-12 | 2018-06-01 | 电子科技大学 | 基于变分贝叶斯推断的信道估计方法 |
CN108259398A (zh) * | 2018-01-12 | 2018-07-06 | 电子科技大学 | 基于变分贝叶斯推断的复杂混合模型的信道估计方法 |
CN108881078A (zh) * | 2018-07-10 | 2018-11-23 | 电子科技大学 | 基于变分贝叶斯推断的毫米波系统双端相位噪声抑制方法 |
Non-Patent Citations (1)
Title |
---|
ZHANG,QIXUAN 等: "Fast Sparse Bayesian Channel Estimation for Wideband mmWave Systems", 《2018 IEEE 29TH ANNUAL INTERNATIONAL SYMPOSIUM ON PERSONAL, INDOOR, AND MOBILE RADIO COMMUNICATIONS (PIMRC)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110350963A (zh) * | 2019-08-01 | 2019-10-18 | 湖南国科锐承电子科技有限公司 | 毫米波mimo通信系统中波束成形的方法和系统 |
CN111142065A (zh) * | 2019-12-20 | 2020-05-12 | 郑州大学 | 一种低复杂度稀疏贝叶斯矢量的估计方法及系统 |
CN112311706A (zh) * | 2020-11-03 | 2021-02-02 | 南京大学 | 基于贝叶斯神经网络信道预测的频分双工下行传输方法 |
CN112769462A (zh) * | 2021-01-07 | 2021-05-07 | 电子科技大学 | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 |
CN112887233A (zh) * | 2021-01-21 | 2021-06-01 | 中国科学技术大学 | 一种基于2维簇结构的稀疏贝叶斯学习信道估计方法 |
CN112887233B (zh) * | 2021-01-21 | 2022-01-11 | 中国科学技术大学 | 一种基于2维簇结构的稀疏贝叶斯学习信道估计方法 |
CN113347125A (zh) * | 2021-06-09 | 2021-09-03 | 浙江大学 | 针对mimo-ofdm通信系统的贝叶斯神经网络信道估计方法和装置 |
CN113347125B (zh) * | 2021-06-09 | 2022-10-04 | 浙江大学 | 针对mimo-ofdm通信系统的贝叶斯神经网络信道估计方法和装置 |
CN114726686A (zh) * | 2022-03-24 | 2022-07-08 | 南京邮电大学 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
CN114726686B (zh) * | 2022-03-24 | 2023-07-14 | 南京邮电大学 | 一种均匀面阵毫米波大规模mimo信道估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US20210377079A1 (en) | Time-frequency block-sparse channel estimation method based on compressed sensing | |
CN104702390B (zh) | 分布式压缩感知信道估计中的导频分配方法 | |
CN101494627B (zh) | 宽带移动通信中利用压缩感知减少导频数的信道估计方法 | |
CN103701513B (zh) | 广义空间调制系统在相关信道下的发送天线选择方法 | |
CN107318169B (zh) | 基于不完全信道状态信息的功率与时分因子联合分配方法 | |
CN105656819A (zh) | 一种基于压缩感知和大规模mimo的自适应信道估计方法 | |
CN105978674A (zh) | 基于压缩感知的fdd下大规模mimo信道估计的导频优化方法 | |
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 | |
CN102223327B (zh) | CoMP多用户系统中基于广义交替最大的信道估计方法 | |
CN110198281A (zh) | 基于压缩感知的稀疏度自适应匹配追踪的信道估计方法 | |
CN103716263B (zh) | 大规模多天线系统中基于并行抵消的高效导频方法 | |
CN106506415B (zh) | 一种多用户mimo-ofdm系统信道估计的方法 | |
CN104320369B (zh) | 一种基于信道估计误差和数据检测误差的迭代方法 | |
CN102227098B (zh) | 一种多模mimo-scfde自适应传输系统频域承载点选取方法 | |
CN106453162A (zh) | 针对多输入多输出正交频分复用系统的信道估计方法 | |
CN109474388A (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN105245474A (zh) | 一种超宽带信道估计方法 | |
CN106788938B (zh) | 一种用户分组的半正交导频设计和信道估计方法 | |
CN105847192B (zh) | 一种动态稀疏信道的联合估计方法 | |
CN105207959A (zh) | 一种miso-ofdm系统的信道估计方法 | |
CN105227222B (zh) | 一种利用统计信道状态信息的高能效大规模mimo波束成形方法 | |
Chu et al. | Wireless channel prediction for multi-user physical layer with deep reinforcement learning | |
CN109039402A (zh) | 基于用户压缩的mimo拓扑干扰对齐方法 | |
CN108023843A (zh) | 基于1比特adc的大规模mimo系统的自适应量化信道估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190517 |