CN110636017A - 一种基于变分贝叶斯推断的大规模mimo系统的下行链路信道估计方法 - Google Patents

Abstract

本发明公开了一种冲击噪声环境下基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，包括步骤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，设T个时刻内，基站发送导频信号矩阵X，则存在冲击噪声的情况下，移动用户接收到的信号为y＝Φ(β)s+e+w；2：建立q(s),q(e),q(α),q(ν),q(γ)和β的数据模型并初始化参数；3：设置迭代次数计数变量k＝1；4：固定q(e),q(α),q(ν),q(γ),β，更新q(s)；5：固定q(s),q(α),q(ν),q(γ),β，更新q(e)；6：固定q(s),q(e),q(ν),q(γ),β，更新q(α)；7：固定q(s),q(e),q(α),q(γ),β，更新q(ν)；8：固定q(s),q(e),q(α),q(ν),β，更新q(γ)；9：固定q(s),q(e),q(α),q(ν),q(γ)，更新β；10：判断迭代计数变量k是否达到上限K或ν是否收敛，如果都不满足，则k＝k+1，并返回步骤4；11：估计最终的信道。本发明能有效改善信道估计的性能。

Description

一种基于变分贝叶斯推断的大规模MIMO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)系统的信道估计方法，具体地说是一种冲击噪声环境下基于变分贝叶斯推断(variational Bayesian inference,VBI)的大规模MIMO系统的下行链路信道估计方法。

背景技术

大规模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，基站所服务的移动用户数目远少于基站天线数目。与现有MIMO系统相比，大规模MIMO系统能显著提高频谱效率、能量效率和系统的鲁棒性能。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。现有方法在进行信道估计时大多将背景噪声假设为高斯白噪声，而在实践过程中背景噪声常出现非高斯噪声，因而获取准确的CSI变得异常困难。现阶段，人们已经提出了很多行之有效方法解决高斯噪声环境下的大规模MIMO信道估计问题，例如在文献J.Dai,A.Liu and V.K.N.Lau,FDD Massive MIMO Channel Estimation withArbitrary 2D-Array Geometry,IEEE Transactions on Signal 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系统的信道估计方法，由于此方法未考虑冲击噪声环境的影响，因而在冲击噪声环境下此方法存在信道估计精度较低的问题。

发明内容

针对现有方法的不足，本发明将提出一种冲击噪声环境下基于VBI的大规模MIMO系统的下行链路信道估计方法。

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，则存在冲击噪声的情况下，移动用户接收到的信号为y＝Φ(β)s+e+w。

步骤2：建立q(s),q(e),q(α),q(ν),q(γ)和β的数据模型并初始化参数。

步骤3：设置迭代次数计数变量k＝1。

步骤4：固定q(e),q(α),q(ν),q(γ),β，更新q(s)。

步骤5：固定q(s),q(α),q(ν),q(γ),β，更新q(e)。

步骤6：固定q(s),q(e),q(ν),q(γ),β，更新q(α)。

步骤7：固定q(s),q(e),q(α),q(γ),β，更新q(ν)。

步骤8：固定q(s),q(e),q(α),q(ν),β，更新q(γ)。

步骤9：固定q9s),q(e),q(α),q(ν),q(γ)，更新β。

步骤10：判断迭代计数变量k是否达到上限K或ν是否收敛，如果都不满足，则k＝k+1，并返回步骤4。

步骤11：估计最终的信道。

本发明的有益效果：

利用VBI方法，本发明获得了一种迭代更新q(s),q(e),q(α),q(ν),q(γ)和β进行信道估计的方法。与现有方法相比，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10dB时，导频时刻T由50到110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(normalized meansquare error,NMSE)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，本发明的实施包括如下步骤：

(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，则存在冲击噪声的情况下，移动用户接收到的信号为y＝Φ(β)s+e+w，其中:

Φ(β)＝XA(β)称为测量矩阵，

A(β)＝[a(θ₁+β₁),a(θ₂+β₂),...,a(θ_L+β_L)]表示阵列流型矩阵，

表示导向矢量，

λ表示电磁波的工作波长，d表示相邻天线阵元之间的间距，

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，

e是一个T维的冲击噪声向量，

w是一个T维的均值为0，精度为α的高斯白噪声向量。

(2)建立数据模型并初始化参数：

q(α)＝Γ(α|a,b)，

同时初始化β中的各元素为0，其中：

q(s)、q(e)、q(α)、q(ν)、q(γ)分别表示s、e、α、ν、γ的近似后验分布函数，

q(α,s,e,ν)＝q(s)q(e)q(α)q(ν)q(γ)，

表示均值为μ，方差为Σ的复高斯分布，

μ_s＝0_L，Σ_s＝I_L，

0_L表示维度为L×1的0向量，I_L表示维度为L×L的单位矩阵，

μ_e＝0_T，Σ_e＝I_T，

Γ(·|a,b)表示形状参数为a，速率参数为b的伽马分布，

a＝b＝0.0001，

ν表示s的精度向量，

ργ表示e的精度向量，

ρ＝0.0001。

(3)设置迭代次数计数变量k＝1。

(4)固定q(e),q(α),q(ν),q(γ),β，更新q(s)：

其中：

μ_s＝αΣ_sΦ^H(y-μ_e)，Σ_s＝(αΦ^HΦ+diag(ν))^-1，

(·)^H表示共轭转置，

diag(·)表示对角运算矩阵。

(5)固定q(s),q(α),q(ν),q(γ),β,更新q(e)：

其中：

μ_e＝αΣ_e(y-Φμ_s)，Σ_e＝(αI_T+ρ·diag(γ))^-1。

(6)固定q(s),q(e),q(ν),q(γ),β,更新q(α)：

q(α)＝Γ(α|a+T,b^α),

其中：

||·||₂表示矩阵的2范数，tr(·)表示矩阵的迹。

(7)固定q(s),q(e),q(α),q(γ),β,更新q(ν)：

其中：

[·]_i,i表示矩阵的第i个对角线元素。

(8)固定q(s),q(e),q(α),q(ν),β,更新q(γ)：

其中：

(9)固定q(s),q(e),q(α),q(ν),q(γ)，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)＝2Re(a'(θ_l+β_l)^HX^HXa(θ_l+β_l)c₁+a'(θ_l+β_l)^HX^Hc₂)，l＝1,2,3…..L；

Re(·)表示取实部运算，

y_-l＝y-X∑_j≠lμ_ja(θ_j+β_j)，

μ_j表示μ_s的第j个元素，χ_jl表示Σ_s的第(j,l)个元素，

a'(θ_l+β_l)表示a(θ_l+β_l)在θ_l+β_l处的导数。

(10)判断迭代计数变量k是否达到上限K＝100或ν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k＝k+1，并返回(4)。

(11)估计最终的信道：h＝A(β)μ_s。

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，背景噪声假设为复合高斯模型(compound Gaussian model,CGM)。

实验条件

采用本发明在信噪比为10dB，导频时刻T由50到110变化时对信道进行200次估计，网格数为150，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系统的下行链路信道信息，其NMSE性能明显优于现有方法。

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 (10)

1.一种基于变分贝叶斯推断的大规模MIMO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，设T个时刻内，基站发送导频信号矩阵X，则存在冲击噪声的情况下，移动用户接收到的信号为y＝Φ(β)s+e+w；

步骤2：建立q(s),q(e),q(α),q(ν),q(γ)和β的数据模型并初始化参数；

步骤3：设置迭代次数计数变量k＝1；

步骤4：固定q(e),q(α),q(ν),q(γ),β，更新q(s)；

步骤5：固定q(s),q(α),q(ν),q(γ),β，更新q(e)；

步骤6：固定q(s),q(e),q(ν),q(γ),β，更新q(α)；

步骤7：固定q(s),q(e),q(α),q(γ),β，更新q(ν)；

步骤8：固定q(s),q(e),q(α),q(ν),β，更新q(γ)；

步骤9：固定q(s),q(e),q(α),q(ν),q(γ)，更新β；

步骤10：判断迭代计数变量k是否达到上限K或ν是否收敛，如果都不满足，则k＝k+1，并返回步骤4；

步骤11：估计最终的信道。

2.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤1中，

Φ(β)＝XA(β)为测量矩阵，

A(β)＝[a(θ₁+β₁),a(θ₂+β₂),...,a(θ_L+β_L)]表示阵列流型矩阵，

表示导向矢量，

λ表示电磁波的工作波长，d表示相邻天线阵元之间的间距，

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，

e是一个T维的冲击噪声向量，

w是一个T维的均值为0，精度为α的高斯白噪声向量。

3.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤2的实现方法如下：

同时初始化β中的各元素为0，其中：

q(s)、q(e)、q(α)、q(ν)、q(γ)分别表示s、e、α、ν、γ的近似后验分布函数，

q(α,s,e,ν)＝q(s)q(e)q(α)q(ν)q(γ)，

表示均值为μ，方差为Σ的复高斯分布，

μ_s＝0_L，Σ_s＝I_L，

0_L表示维度为L×1的0向量，I_L表示维度为L×L的单位矩阵，

μ_e＝0_T，Σ_e＝I_T，

Γ(·|a,b)表示形状参数为a，速率参数为b的伽马分布，

a＝b＝0.0001，

ν表示s的精度向量，

ργ表示e的精度向量，

ρ＝0.0001。

4.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤4中，更新q(s)的方法如下：

其中：

μ_s＝αΣ_sΦ^H(y-μ_e)，Σ_s＝(αΦ^HΦ+diag(ν))^-1，

(·)^H表示共轭转置，

diag(·)表示对角运算矩阵。

5.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤5中，更新q(e)的方法如下：

其中：

μ_e＝αΣ_e(y-Φμ_s)，Σ_e＝(αI_T+ρ·diag(γ))^-1。

6.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤6中，更新q(α)的方法如下：

q(α)＝Γ(α|a+T,b^α),

其中：

||·||₂表示矩阵的2范数，tr(·)表示矩阵的迹。

7.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤7中，更新q(ν)的方法如下：

其中：

[·]_i,i表示矩阵的第i个对角线元素。

8.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤8中，更新q(γ)的方法如下：

其中：

9.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤9中，更新β的方法如下：

其中：

sign(·)表示取正负号运算，

ζ＝[ζ(β₁),ζ(β₂),…ζ(β_L)]^T，

ζ(β_l)＝2Re(a'(θl_l+β_l)^HX^HXa(θ_l+β_l)c₁+a'(θ_l+β_l)^HX^Hc₂)，

Re(·)表示取实部运算，

y_-l＝y-X∑_j≠lμ_ja(θ_j+β_j)，

μ_j表示μ_s的第j个元素，χ_jl表示Σ_s的第(j,l)个元素，

a'(θ_l+β_l)表示a(θ_l+β_l)在θ_l+β_l处的导数。

10.根据权利要求1所述的一种基于变分贝叶斯推断的大规模MIMO系统的下行链路信道估计方法，其特征在于，所述步骤11中，信道的估计值为：h＝A(β)μ_s。

Images