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
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 Download PDFInfo
- Publication number
- CN110636017A CN110636017A CN201910762240.8A CN201910762240A CN110636017A CN 110636017 A CN110636017 A CN 110636017A CN 201910762240 A CN201910762240 A CN 201910762240A CN 110636017 A CN110636017 A CN 110636017A
- Authority
- CN
- China
- Prior art keywords
- beta
- updating
- gamma
- alpha
- fixing
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
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
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:
s是一个L维的信道在测量矩阵Φ(β)上稀疏表示的向量,
μe=0T,Σe=IT,
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,
(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:
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:
(6)固定q(s),q(e),q(ν),q(γ),β,更新q(α):
q(α)=Γ(α|a+T,bα),
其中:
(7)固定q(s),q(e),q(α),q(γ),β,更新q(ν):
其中:
(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:
ζ(βl)=2Re(a'(θl+βl)HXHXa(θl+βl)c1+a'(θl+βl)HXHc2),l=1,2,3…..L;
y-l=y-X∑j≠lμja(θj+βj),
(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)μs。
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。
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:
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),
μs=0L,Σs=IL,
0L表示维度为L×1的0向量,IL表示维度为L×L的单位矩阵,
μe=0T,Σe=IT,
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。
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)μs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762240.8A CN110636017B (zh) | 2019-08-19 | 2019-08-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762240.8A CN110636017B (zh) | 2019-08-19 | 2019-08-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110636017A true CN110636017A (zh) | 2019-12-31 |
CN110636017B CN110636017B (zh) | 2022-02-15 |
Family
ID=68970484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762240.8A Active CN110636017B (zh) | 2019-08-19 | 2019-08-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110636017B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726685A (zh) * | 2022-03-04 | 2022-07-08 | 江苏大学 | 一种低复杂度的大规模mimo通信系统下行链路信道估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2429138A1 (en) * | 2010-09-07 | 2012-03-14 | Technische Universität Graz | Method for the determination of the number of superimposed signals using variational bayesian inference |
US8861655B1 (en) * | 2013-06-11 | 2014-10-14 | King Fahd University Of Petroleum And Minerals | Method of performing structure-based bayesian sparse signal reconstruction |
CN105227512A (zh) * | 2015-10-19 | 2016-01-06 | 宁波大学 | 一种ofdm水声通信系统中的脉冲噪声估计方法 |
CN107947881A (zh) * | 2018-01-10 | 2018-04-20 | 西安交通大学 | 一种混合高斯噪声稀疏贝叶斯频谱感知方法 |
CN108965172A (zh) * | 2018-07-10 | 2018-12-07 | 电子科技大学 | 带有相位噪声的大规模mimo系统上行链路信道估计方法 |
-
2019
- 2019-08-19 CN CN201910762240.8A patent/CN110636017B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2429138A1 (en) * | 2010-09-07 | 2012-03-14 | Technische Universität Graz | Method for the determination of the number of superimposed signals using variational bayesian inference |
US8861655B1 (en) * | 2013-06-11 | 2014-10-14 | King Fahd University Of Petroleum And Minerals | Method of performing structure-based bayesian sparse signal reconstruction |
CN105227512A (zh) * | 2015-10-19 | 2016-01-06 | 宁波大学 | 一种ofdm水声通信系统中的脉冲噪声估计方法 |
CN107947881A (zh) * | 2018-01-10 | 2018-04-20 | 西安交通大学 | 一种混合高斯噪声稀疏贝叶斯频谱感知方法 |
CN108965172A (zh) * | 2018-07-10 | 2018-12-07 | 电子科技大学 | 带有相位噪声的大规模mimo系统上行链路信道估计方法 |
Non-Patent Citations (3)
Title |
---|
JISHENG DAI: "FDD Massive MIMO Channel Estimation With Arbitrary 2D-Array Geometry", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 * |
PING GAO: "Space-Time Coding over Fading Channels with Impulsive Noise", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
XINHUA LU: "Collapsed VBI-DP Based Structured Sparse Channel Estimation Algorithm for Massive MIMO-OFDM", 《IEEE ACCESS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114726685A (zh) * | 2022-03-04 | 2022-07-08 | 江苏大学 | 一种低复杂度的大规模mimo通信系统下行链路信道估计方法 |
CN114726685B (zh) * | 2022-03-04 | 2024-04-09 | 江苏大学 | 一种低复杂度的大规模mimo通信系统下行链路信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110636017B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208735A (zh) | 一种基于稀疏贝叶斯学习的相干信号doa估计方法 | |
CN108337199B (zh) | 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 | |
CN111337893B (zh) | 一种基于实值稀疏贝叶斯学习的离格doa估计方法 | |
EP3073692B1 (en) | Method of processing a plurality of signals and signal processing device | |
CN101588328B (zh) | 一种高精度无线信道参数化模型的联合估计方法 | |
CN108832976A (zh) | 一种大规模mimo系统的上行链路信道估计方法 | |
CN104166136A (zh) | 一种基于干扰子空间跟踪的高效自适应单脉冲测角方法 | |
CN104539340A (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 | |
Kundu et al. | RIS-assisted MISO communication: Optimal beamformers and performance analysis | |
CN105306123A (zh) | 一种抗阵列系统误差的稳健波束形成方法 | |
CN109768816B (zh) | 一种非高斯噪声3d-mimo系统数据检测方法 | |
CN109639604A (zh) | 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 | |
CN109507641A (zh) | 一种合作的mimo雷达和mimo通信系统性能计算方法 | |
CN115856767B (zh) | 一种可重构智能超表面辅助的波到达方向估计方法 | |
CN110636017B (zh) | 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 | |
CN104215939A (zh) | 一种融合广义对称结构信息的知识辅助空时自适应处理方法 | |
Seyedsalehi et al. | Propagation channel modeling by deep learning techniques | |
CN110649953B (zh) | 一种基于变分贝叶斯学习的在具有冲击噪声情况下的信道估计方法 | |
CN111880143B (zh) | 改进稀疏贝叶斯学习的高精度定位方法、存储介质及设备 | |
CN110161476B (zh) | 基于幂迭代广义瑞利商算法的雷达波束形成方法 | |
Qian et al. | Variational Bayesian inference-based multiple target localization in WSNs with quantized received signal strength | |
Song et al. | Deep learning for geometrically-consistent angular power spread function estimation in massive MIMO | |
CN108667494B (zh) | 一种大规模mimo通信系统的联合信道估计和用户分组方法 | |
CN109633634A (zh) | 一种基于稀疏贝叶斯学习的mimo雷达波离方向和波达方向联合估计方法 | |
CN109709514A (zh) | 一种基于阵列模型误差估计值校准的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |