CN115361257A - 上行大规模mimo稀疏信道估计方法及相关设备 - Google Patents

上行大规模mimo稀疏信道估计方法及相关设备 Download PDF

Info

Publication number
CN115361257A
CN115361257A CN202210825379.4A CN202210825379A CN115361257A CN 115361257 A CN115361257 A CN 115361257A CN 202210825379 A CN202210825379 A CN 202210825379A CN 115361257 A CN115361257 A CN 115361257A
Authority
CN
China
Prior art keywords
channel estimation
sparse
double
channel
received signal
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.)
Pending
Application number
CN202210825379.4A
Other languages
English (en)
Inventor
陈建侨
陈昊
马楠
许晓东
张平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Peng Cheng Laboratory
Original Assignee
Beijing University of Posts and Telecommunications
Peng Cheng Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, Peng Cheng Laboratory filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210825379.4A priority Critical patent/CN115361257A/zh
Publication of CN115361257A publication Critical patent/CN115361257A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • 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
    • H04L25/0204—Channel estimation of multiple channels
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Radio Transmission System (AREA)

Abstract

本发明公开了上行大规模MIMO稀疏信道估计方法及相关设备，所述上行大规模MIMO稀疏信道估计方法包括：基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；在双层块稀疏模型中控制用户端向基站端发送导频符号；根据基站端接收到的所述导频符号获得接收信号向量；基于变分贝叶斯推断算法，并根据接收信号向量对双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。本发明基于信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型，充分利用了信道的先验知识，进而提高了信道估计的准确性。

Description

上行大规模MIMO稀疏信道估计方法及相关设备
技术领域
本发明涉及无线通信技术领域，尤其涉及的是一种上行大规模MIMO稀疏信道估计方法、装置、智能终端及计算机存储介质。
背景技术
在大规模多入多出(Multiple-Input Multiple-Output,MIMO)系统中，获取准确的信道状态信息(Channel State Information,CSI)是信道均衡、预编码、波束赋形及资源分配等技术实现的基础，对于保障大规模MIMO信号的有效传输及获取大规模MIMO系统增益至关重要，因此，如何通过信道估计技术获得准确的CSI是大规模MIMO系统部署的关键问题之一。
现有技术中，通常采用导频辅助信道估计方法在发送数据过程中插入已知的导频符号得到导频位置和信道的估计结果，没有充分利用信道的先验知识，导致信道估计的准确性差。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种上行大规模MIMO稀疏信道估计方法、装置、智能终端及计算机存储介质，旨在解决现有技术中没有充分利用信道的先验知识，导致信道估计准确性差的问题。
为了实现上述目的，本发明第一方面提供一种上行大规模MIMO稀疏信道估计方法，所述上行大规模MIMO稀疏信道估计方法包括：
基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；
在所述双层块稀疏模型中控制用户端向基站端发送导频符号；
根据所述基站端接收到的所述导频符号获得接收信号向量；
基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
可选的，所述双层块稀疏模型中信道向量在角度域的物理表示为：
Figure BDA0003746307270000021
其中，M表示为均匀线性天线阵列的维度，S表示子径数量，gl,s表示信道衰减，
Figure BDA0003746307270000022
d表示天线阵子间的距离，λ表示载波波长，T表示转矩，θl,s表示用户端到基站端的到达角。
可选的，所述双层块稀疏模型中信道向量在时延和角度域的稀疏表示为：
h＝Dw
其中，D表示信道向量在时延和角度域上的稀疏表示矩阵，w表示信道的稀疏向量。
可选的，所述基站端配备维度为M的均匀线性天线阵列服务单天线用户，并采用正交频分复用作为信号传输机制，每个正交频分复用信号包含N个子载波，所述N个子载波中有K个子载波用于传输所述导频符号，所述接收信号向量表示为：
Figure BDA0003746307270000023
其中，y表示接收信号向量，
Figure BDA0003746307270000024
Figure BDA0003746307270000025
表示所述信号向量x的对角矩阵，
Figure BDA0003746307270000026
表示为离散傅里叶矩阵的子矩阵，
Figure BDA0003746307270000027
表示克罗内克积，IM表示M×M的单位矩阵，h表示信道向量，
Figure BDA0003746307270000028
Figure BDA0003746307270000029
表示相对于整个天线阵列的第L条径，n表示噪声向量。
可选的，所述基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值，具体包括：获取所述接收信号向量、预设最大迭代次数和预设容忍误差，并初始化所述预设参数；基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，获得所述信道估计值；和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，获得所述信道估计值。
可选的，所述上行大规模MIMO稀疏信道估计方法还包括：基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得所述信道估计值。
可选的，所述基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值，具体包括：基于广义近似消息传递计算所述信道的稀疏向量的近似后验分布；基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，获得所述信道估计值；和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，获得所述信道估计值。
本发明第二方面提供一种上行大规模MIMO稀疏信道估计装置，所述上行大规模MIMO稀疏信道估计装置包括：
构建模块，用于基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；
发送模块，用于在所述双层块稀疏模型中控制用户端向基站端发送导频符号；
接收模块，用于根据所述基站端接收到的所述导频符号获得接收信号向量；
计算模块，用于基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
本发明第三方面提供一种智能终端，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的上行大规模MIMO稀疏信道估计程序，所述上行大规模MIMO稀疏信道估计程序被所述处理器执行时实现如权利要求任意一项所述上行大规模MIMO稀疏信道估计方法的步骤。
本发明第四方面提供一种计算机存储介质，所述计算机存储介质上存储有上行大规模MIMO稀疏信道估计程序，所述上行大规模MIMO稀疏信道估计程序被处理器执行时实现如权利要求任意一项所述上行大规模MIMO稀疏信道估计方法的步骤。
由上可见，本发明方案公开了一项所述上行大规模MIMO稀疏信道估计方法，所述上行大规模MIMO稀疏信道估计方法包括：基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；在所述双层块稀疏模型中控制用户端向基站端发送导频符号；根据所述基站端接收到的所述导频符号获得接收信号向量；基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。与现有技术中相比，本发明基于信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型，利用了信道的稀疏特性，提高了频谱利用率，且在信道估计中利用了信道的先验知识，进而提高信道估计的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的上行大规模MIMO稀疏信道估计方法的一种流程示意图；
图2是本发明实施例提供的上行大规模MIMO稀疏信道估计方法的另一种流程示意图；
图3是本发明实施例提供的上行大规模MIMO稀疏信道估计方法的又一种流程示意图；
图4是本发明实施例提供的上行大规模MIMO稀疏信道估计装置的一种结构示意图；
图5是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
为了解决现有技术中存在的问题，本实施例中，提出一种上行大规模MIMO稀疏信道估计方法、装置、智能终端及计算机存储介质，能够深入挖掘、表征信道的稀疏结构，充分利用信道的先验知识，提高信道估计的准确性。
示例性方法
如图1所示，本发明实施例提供一种上行大规模MIMO稀疏信道估计方法，具体地，所述方法包括如下步骤：
步骤S100，基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型。
本实施例中，可以预先构建一个上行大规模MIMO系统模型，在此基础上，提出刻画信道在时延和角度域上具有的稀疏结构特征的双层块稀疏模型。
本实施例中，所述双层块稀疏模型中信道向量在角度域的物理表示如表达式(1)所示：
Figure BDA0003746307270000061
其中，M表示为均匀线性天线阵列的维度，S表示子径数量，gl,s表示信道衰减，
Figure BDA0003746307270000062
d表示天线阵子间的距离，λ表示载波波长，T表示转矩，θl,s表示用户端到基站端的到达角。
由于
Figure BDA0003746307270000063
在角度域具有一定的稀疏性，所述双层块稀疏模型中信道向量在角度域的稀疏表示如表达式(2)所示：
Figure BDA0003746307270000064
其中，A表示信道向量在角度域上的稀疏表示矩阵，wl表示稀疏向量。具体的，通过在角度区间
Figure BDA0003746307270000071
均匀采样
Figure BDA0003746307270000072
个点后，计算
Figure BDA0003746307270000073
即根据表达式(1)计算信道角度域稀疏表示矩阵A。
对于基站端配置了均匀线性天线阵列的情况下，可以使用归一化的离散傅里叶矩阵作为稀疏表示矩阵。
本实施例中，信道向量在时延和角度域的稀疏表示如表达式(3)所示：
h＝Dw (3)；
其中，D表示信道向量在时延和角度域上的稀疏表示矩阵，
Figure BDA0003746307270000074
Figure BDA0003746307270000075
IL表示×的单位矩阵，表示多径数量，
Figure BDA0003746307270000076
表示克罗内克积，A表示信道向量在角度域上的稀疏表示矩阵，w表示信道的稀疏向量，
Figure BDA0003746307270000077
Figure BDA0003746307270000078
表示wl的转置。
步骤S200，在所述双层块稀疏模型中控制用户端向基站端发送导频符号。
需要说明的是，所述基站端配备维度为M(M＞＞1)的均匀线性天线阵列(UniformLinear Antenna-array，ULA)服务单天线用户，采用正交频分复用(Orthogonal FrequencyDivision Multiplexing,OFDM)作为信号传输机制，每个OFDM符号包含N个子载波，每个正交频分复用信号包含N个子载波，所述N个子载波中有K个子载波用于传输所述导频符号，K远远小于N，导频位置标识定义为
Figure BDA0003746307270000079
步骤S300，根据所述基站端接收到的所述导频符号获得接收信号向量。
需要说明的是，在常规上行大规模MIMO系统模型中，传输导频符号的信号向量x＝[x(p1),...,x(pk),...,x(pK)]T，基站端第m个天线阵子收到的包含K个导频符号的信号向量如表达式(4)所示：
ym＝XFhm+ηm m＝1,2,...,M (4)；
其中，ym表示第m个天线阵子收到的包含K个导频符号的信号向量，
Figure BDA00037463072700000710
表示信号向量x的对角矩阵，
Figure BDA0003746307270000081
表示第m根天线阵子的信道冲激响应，其中L表示多径数量，满足独立同分布假设，
Figure BDA0003746307270000082
为离散傅里叶矩阵的子矩阵，其中第(k,l)项为
Figure BDA0003746307270000083
为加性高斯白噪声，满足复高斯分布CN(0,σ-1IK)，其中σ表示噪声精度。
本实施例中，在双层块稀疏模型中，所述基站端配备维度为M的均匀线性天线阵列服务单天线用户，并采用正交频分复用作为信号传输机制，每个正交频分复用信号包含N个子载波，所述N个子载波中有K个子载波用于传输所述导频符号，所述接收信号向量如表达式(5)所示：
Figure BDA0003746307270000084
其中，y表示接收信号向量，
Figure BDA0003746307270000085
Figure BDA0003746307270000086
表示所述信号向量x的对角矩阵，
Figure BDA0003746307270000087
表示为离散傅里叶矩阵的子矩阵，
Figure BDA0003746307270000088
表示克罗内克积，IM表示M×M的单位矩阵，h表示信道向量，
Figure BDA0003746307270000089
Figure BDA00037463072700000810
表示相对于整个天线阵列的第L条径，n表示噪声向量。
需要说明的是，在时延域，在常规上行大规模MIMO系统模型中的多径信道只有少数非零(或者具有较大值)的元素，即‖hm‖0＜＜L，其中，‖hm‖0表示hm中非零值的个数。在双层块稀疏模型中，经过矩阵变换后，信道h由L个块
Figure BDA00037463072700000811
组成，其中
Figure BDA00037463072700000812
表示相对于整个天线阵列的第l条径，因此，h具有块稀疏结构，即‖h‖0,K＜＜L，其中，‖h‖0,K表示h中非零块的个数。在角度域，根据空间信道建模理论，
Figure BDA00037463072700000813
由一定数量的子径组成，各个子径由不同的角度偏置区分，由于角度扩展有限，使得多径到达角的数量有限，因此
Figure BDA00037463072700000814
在角度域表现出一定的稀疏性。
步骤S400，基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
所述步骤S400具体包括：获取所述接收信号向量、预设最大迭代次数和预设容忍误差，并初始化所述预设参数；基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，获得所述信道估计值；和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，获得所述信道估计值。
本实施例中，为了刻画双层块稀疏结构，定义信道向量h满足的先验分布如表达式(6)所示：
Figure BDA0003746307270000091
其中，式中，
Figure BDA0003746307270000092
为非负参数，控制着w的外层块稀疏性，当γl＝0时，wl的方差为0，表示该块中的值为全0。因此，γ中非零的个数决定了外层块稀疏性。
假设γl的先验分布满足P(γl|λ)～Gamma(γl|1,λ)分布，即表达式(7)：
P(γl|λ)＝λexp(-λγl) (7)；
其中，λ为与γl相关的参数。
同时，
Figure BDA0003746307270000093
Λl为对角矩阵，其控制着wl的内层块稀疏，Λl的表示如表达式(8)所示：
Λl＝diag([Λl,1,...,Λl,q,...,Λl,Q]T) (8)；
其中，Λl,q＝(αl,q+βαl,q-1+βαl,q+1)-1，αl,q为非负参数，β刻画参数αl,q和其相邻参数{αl,q-1,αl,q+1}之间的关联性。
同时，假设αl,q的先验分布满足P(αl,q|ξl)～Gamma(αl,q|1,ξl)，即表达式(9)：
P(αl,q|ξl)＝ξlexp(-ξlαl,q) (9)；
其中，ξl是与αl,q相关的参数。
需要说明的是，本实施例中采用表达式(7)和表达式(9)所示的Gamma分布作为先验分布，这种先验分布具有促进w稀疏性的特点。
本实施例中，所述双层块稀疏模型的预设参数包括w,γ,α,ζ,λ,σ，将所述预设参数集合为
Figure BDA0003746307270000101
其中，
Figure BDA0003746307270000102
由于Θ中待估计参数的精确后验分布难以求得，本实施例中基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
具体而言，不直接推断变量集Θ的精确后验分布，记为p(Θ|y)，而是计算因子化的Θ的后验分布，记为q(Θ)，通过最小化o(Θ|y)与q(Θ)之间的Kullback-Leibler(KL)散度来近似p(Θ|y)。
其中，KL散度记为DKL(q(Θ)||p(Θ|y))，即表达式(10)：
Figure BDA0003746307270000103
等效为最大化似然下限如表达式(11)所示：
Figure BDA0003746307270000104
其中，
P(y,Θ)＝P(y|w,σ)P(w|γ,Λ)P(γ|λ)P(α|ξ) (12)；
P(y|w,σ)＝CN(y|Φw,σ-1IMK) (13)；
q(Θ)＝q(w)q(γ)q(α)q(ξ)q(λ)q(σ) (14)；
其中，表达式(11)的优化解如表达式(15)所示：
Figure BDA0003746307270000105
其中，Θn表示Θ中第n个待估计参数，
Figure BDA0003746307270000106
表示关于q(Θ)/q(Θn)的期望，q(Θ)/q(Θn)表示不包含q(Θn)的q(Θ)分布。
基于表达式(15)，逐步更新每一个预设参数的后验分布，同时在迭代过程中保持其它参数不变，迭代收敛后，每个预设参数的估计值等于其后验分布的期望。
本实施例中，根据表达式(16)更新q(w)：
lnq(w)∝<lnP(y|w,σ)+lnP(w|γ,Λ)>q(γ)q(α)q(σ)
Figure BDA0003746307270000111
其中，
Figure BDA0003746307270000112
Figure BDA0003746307270000113
Figure BDA0003746307270000114
<Λl,q>q(α)＝(<αl,q>q(α)+β<αl,q-1>q(α)+β<αl,q+1>q(α))-1 (19)；
由表达式(16)所示，q(w)满足复高斯分布，即q(w)～CN(w|μ,∑),其均值μ和方差∑如表达式(20)和表达式(21)所示：
μ＝<σ>q(σ)∑ΦHy (20)；
∑＝(<σ>q(σ)ΦHΦ+Ω-1)-1 (21)；
根据表达式(22)更新q(γ)：
Figure BDA0003746307270000115
其中，<|wl,q|2>＝|μl,q|2+Σl,q，如表达式(22)所示，γl满足广义逆高斯(Generalized Inverse Gaussian，GIG)分布。
因此，γl的均值计算如表达式(23)所示：
Figure BDA0003746307270000116
其中，
Figure BDA0003746307270000117
κv(·)表示二阶修正贝塞尔函数。
根据表达式(24)更新q(α)：
Figure BDA0003746307270000118
由表达式(24)可知，与αl,q相关的项为
Figure BDA0003746307270000121
则可知αl,Q如表达式(26)
Figure BDA0003746307270000122
其中，χ∈(0,1)，需要说明的是，采用
Figure BDA0003746307270000123
近似作为分布的Q(αL,Q)的均值。
根据表达式(27)、表达式(28)和表达式(29)更新Q(ξ)、Q(λ)和q(σ)：
Figure BDA0003746307270000124
Figure BDA0003746307270000125
Figure BDA0003746307270000126
上述表达式表明，q(ξl)、q(λ)和q(σ)满足Gamma分布，因此它们的均值如表达式(30)、表达式(31)和表达式(32)：
Figure BDA0003746307270000127
Figure BDA0003746307270000128
Figure BDA0003746307270000129
根据上述表达式逐步更新每一个待估计参数的后验分布，同时在迭代过程中保持其它参数不变，迭代收敛后，每个参数的估计值等于其后验分布的期望，直到迭代次数满足所述预设最大迭代次数，令信道估计值等于q(w)的均值，获得信道估计值；和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，令信道估计值等于q(w)的均值，获得信道估计值。
本实施例中，如图2所示，构建双层块稀疏模型，根据导频和信道获得接收信号，设置预设最大迭代次数和预设容错误差，并初始化循环所述双层块稀疏模型的预设参数，基于变分贝叶斯推断算法对预设参数进行迭代处理，判断迭代次数是否满足最大迭代次数或达到预设容错误差，若迭代次数满足最大迭代次数或达到预设容错误差，则输出信道估计值，若迭代次数不满足最大迭代次数或达到预设容错误差，则继续执行基于变分贝叶斯推断算法对预设参数进行迭代处理。
本实施例中基于变分贝叶斯推断算法的信道估计流程如表1所示：
Figure BDA0003746307270000131
表1
如表达式(21)所示，需要在每次迭代时计算w的后验分布以获得其协方差矩阵，其中涉及到高阶矩阵求逆问题，复杂度为O((LQ)3)，为进一步提高信道估计的效率，本实施例中，基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得所述信道估计值，即通过广义近似消息传递计算w的近似后验分布，避免高阶矩阵求逆问题。
具体的，基于广义近似消息传递计算所述信道的稀疏向量的近似后验分布；基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，获得所述信道估计值；和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，获得所述信道估计值。本实施例可以避免高阶矩阵求逆问题，从而提高计算效率。
为了表达方便，假定U＝M×K且V＝Q×L。具体而言，当u＝M(k-1)+m时,yu对应ym(pk)，当v＝Q(l-1)+q时，wv对应wl,q。需要说明的是，在消息更新期间，假定基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理得到的第t次迭代变量集Θ(t)固定不变，基于广义近似消息传递框架，w的近似后验分布计算如表达式(33)：
Figure BDA0003746307270000141
其中，
Figure BDA0003746307270000142
其中
Figure BDA0003746307270000143
表示向上取整，参数rv和
Figure BDA0003746307270000144
在广义近似消息传递算法的迭代过程中更新。
由表达式(33)可知，近似后验分布
Figure BDA0003746307270000145
满足复高斯分布，即
Figure BDA0003746307270000146
其均值和方差分别如表达式(34)和表达式(35)：
Figure BDA0003746307270000147
Figure BDA0003746307270000148
定义
Figure BDA0003746307270000149
其中，Φu·表示Φ的第u行，则zu的近似后验分布如表达式(36)所示：
Figure BDA00037463072700001410
其中，参数pu和
Figure BDA00037463072700001411
在广义近似消息传递算法的迭代过程中更新。
由表达式(36)可知，
Figure BDA00037463072700001412
满足复高斯分布，即
Figure BDA00037463072700001413
其均值和方差分别如表达式(37)和表达式(38)所示：
Figure BDA0003746307270000151
Figure BDA0003746307270000152
基于上述后验分布的近似，可以计算标量尺度函数gin(·)和gout(·)，以及它们的导数，具体如表达式(39)、表达式(40)、表达式(41)和表达式(42)：
Figure BDA0003746307270000153
Figure BDA0003746307270000154
Figure BDA0003746307270000155
Figure BDA0003746307270000156
基于上述推导，基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，令信道估计值等于q(w)的均值，获得信道估计值；
和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，令信道估计值等于q(w)的均值，获得信道估计值。
本实施例中，通过广义近似消息传递计算信道稀疏向量的近似后验分布，可以避免在基于变分贝叶斯推断算法，并根据接收信号向量和近似后验分布对预设参数进行迭代处理时出现高阶矩阵求逆问题，降低了计算复杂度，提高了计算效率。
本实施例中，如图3所示，构建双层块稀疏模型，根据导频和信道获得接收信号向量，设置预设最大迭代次数和预设容错误差，并初始化循环所述双层块稀疏模型的预设参数，基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理，判断迭代次数是否满足最大迭代次数或达到预设容错误差，若迭代次数满足最大迭代次数或达到预设容错误差，则输出信道估计值，若迭代次数不满足最大迭代次数或达到预设容错误差，则继续执行基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理。
本实施例中基于基于广义近似消息传递和变分贝叶斯推断算法的信道估计流程如表2所示：
Figure BDA0003746307270000161
表2
由上可见，本发明方案公开了一项所述上行大规模MIMO稀疏信道估计方法，所述上行大规模MIMO稀疏信道估计方法包括：基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；在所述双层块稀疏模型中控制用户端向基站端发送导频符号；根据所述基站端接收到的所述导频符号获得接收信号向量；基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。与现有技术中相比，本发明基于信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型，利用了信道的稀疏特性，提高了频谱利用率，且在信道估计中利用了信道的先验知识，进而提高信道估计的准确性。
示例性设备
如图4中所示，对应于所述上行大规模MIMO稀疏信道估计方法，本发明实施例还提供一种上行大规模MIMO稀疏信道估计装置，所述上行大规模MIMO稀疏信道估计装置包括：
构建模块401，用于基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；
发送模块402，用于在所述双层块稀疏模型中控制用户端向基站端发送导频符号；
接收模块403，用于根据所述基站端接收到的所述导频符号获得接收信号向量；
计算模块404，用于基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
具体地，本实施例中，上述上行大规模MIMO稀疏信道估计装置及其各个模块的具体功能还可以参照上述上行大规模MIMO稀疏信道估计方法中的对应描述，在此不再赘述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图5所示。所述智能终端包括处理器及存储器。该智能终端的存储器包括上行大规模MIMO稀疏信道估计程序，存储器为上行大规模MIMO稀疏信道估计程序的运行提供环境。该上行大规模MIMO稀疏信道估计程序被处理器执行时针对实现上述任意一种上行大规模MIMO稀疏信道估计方法的步骤。
本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体地智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，上述上行大规模MIMO稀疏信道估计程序被上述处理器执行时进行以下操作指令：
基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；
在所述双层块稀疏模型中控制用户端向基站端发送导频符号；
根据所述基站端接收到的所述导频符号获得接收信号向量；
基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
本发明实施例还提供一种计算机存储介质，上述计算机存储介质上存储有上行大规模MIMO稀疏信道估计程序，上述上行大规模MIMO稀疏信道估计程序被处理器执行时实现本发明实施例提供的任意一种上行大规模MIMO稀疏信道估计方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种上行大规模MIMO稀疏信道估计方法，其特征在于，所述上行大规模MIMO稀疏信道估计方法包括：
基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；
在所述双层块稀疏模型中控制用户端向基站端发送导频符号；
根据所述基站端接收到的所述导频符号获得接收信号向量；
基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
2.根据权利要求1所述的上行大规模MIMO稀疏信道估计方法，其特征在于，所述双层块稀疏模型中信道向量在角度域的物理表示为：
Figure FDA0003746307260000011
其中，M表示为均匀线性天线阵列的维度，S表示子径数量，gl,s表示信道衰减，
Figure FDA0003746307260000012
d表示天线阵子间的距离，λ表示载波波长，T表示转矩，θl,s表示用户端到基站端的到达角。
3.根据权利要求2所述的上行大规模MIMO稀疏信道估计方法，其特征在于，所述双层块稀疏模型中信道向量在时延和角度域的稀疏表示为：
h＝Dw
其中，D表示信道向量在时延和角度域上的稀疏表示矩阵，w表示信道的稀疏向量。
4.根据权利要求1所述的上行大规模MIMO稀疏信道估计方法，其特征在于，所述基站端配备维度为M的均匀线性天线阵列服务单天线用户，并采用正交频分复用作为信号传输机制，每个正交频分复用信号包含N个子载波，所述N个子载波中有K个子载波用于传输所述导频符号，所述接收信号向量表示为：
Figure FDA0003746307260000021
其中，y表示接收信号向量，
Figure FDA0003746307260000022
Figure FDA0003746307260000023
表示所述信号向量x的对角矩阵，
Figure FDA0003746307260000024
表示为离散傅里叶矩阵的子矩阵，
Figure FDA0003746307260000025
表示克罗内克积，IM表示M×M的单位矩阵，h表示信道向量，
Figure FDA0003746307260000026
Figure FDA0003746307260000027
表示相对于整个天线阵列的第L条径，n表示噪声向量。
5.根据权利要求1所述的上行大规模MIMO稀疏信道估计方法，其特征在于，所述基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值，具体包括：
获取所述接收信号向量、预设最大迭代次数和预设容忍误差，并初始化所述预设参数；
基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，获得所述信道估计值；
和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，获得所述信道估计值。
6.根据权利要求1所述的上行大规模MIMO稀疏信道估计方法，其特征在于，所述上行大规模MIMO稀疏信道估计方法还包括：
基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得所述信道估计值。
7.根据权利要求6所述的上行大规模MIMO稀疏信道估计方法，其特征在于，所述基于广义近似消息传递和变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值，具体包括：
基于广义近似消息传递计算所述信道的稀疏向量的近似后验分布；
基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到迭代次数满足所述预设最大迭代次数，获得所述信道估计值；
和/或，基于变分贝叶斯推断算法，并根据所述接收信号向量和所述近似后验分布对所述预设参数进行迭代处理，直到容忍误差满足所述预设容忍误差，获得所述信道估计值。
8.一种上行大规模MIMO稀疏信道估计装置，其特征在于，所述上行大规模MIMO稀疏信道估计装置包括：
构建模块，用于基于上行大规模MIMO系统中信道在时延和角度域的双层稀疏结构特征构建双层块稀疏模型；
发送模块，用于在所述双层块稀疏模型中控制用户端向基站端发送导频符号；
接收模块，用于根据所述基站端接收到的所述导频符号获得接收信号向量；
计算模块，用于基于变分贝叶斯推断算法，并根据所述接收信号向量对所述双层块稀疏模型的预设参数进行迭代处理以获得信道估计值。
9.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的上行大规模MIMO稀疏信道估计程序，所述上行大规模MIMO稀疏信道估计程序被所述处理器执行时实现如权利要求1-7任意一项所述上行大规模MIMO稀疏信道估计方法的步骤。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有上行大规模MIMO稀疏信道估计程序，所述上行大规模MIMO稀疏信道估计程序被处理器执行时实现如权利要求1-7任意一项所述上行大规模MIMO稀疏信道估计方法的步骤。
CN202210825379.4A 2022-07-14 2022-07-14 上行大规模mimo稀疏信道估计方法及相关设备 Pending CN115361257A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210825379.4A CN115361257A (zh) 2022-07-14 2022-07-14 上行大规模mimo稀疏信道估计方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210825379.4A CN115361257A (zh) 2022-07-14 2022-07-14 上行大规模mimo稀疏信道估计方法及相关设备

Publications (1)

Publication Number Publication Date
CN115361257A true CN115361257A (zh) 2022-11-18

Family

ID=84032093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210825379.4A Pending CN115361257A (zh) 2022-07-14 2022-07-14 上行大规模mimo稀疏信道估计方法及相关设备

Country Status (1)

Country Link
CN (1) CN115361257A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116032699A (zh) * 2022-12-28 2023-04-28 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022007932A1 (zh) * 2020-07-10 2022-01-13 维沃移动通信有限公司 信号发送方法、信道估计方法、发送端设备及接收端设备
CN114448757A (zh) * 2022-01-21 2022-05-06 华中科技大学 Fdd大规模mimo系统中基于信道部分互易性的信道估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022007932A1 (zh) * 2020-07-10 2022-01-13 维沃移动通信有限公司 信号发送方法、信道估计方法、发送端设备及接收端设备
CN114448757A (zh) * 2022-01-21 2022-05-06 华中科技大学 Fdd大规模mimo系统中基于信道部分互易性的信道估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈建侨: "大规模MIMO信道建模与信道估计技术研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116032699A (zh) * 2022-12-28 2023-04-28 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法
CN116032699B (zh) * 2022-12-28 2024-05-14 鹏城实验室 一种面向超大规模mimo系统的稀疏信道估计方法

Similar Documents

Publication Publication Date Title
CN110719239B (zh) 一种数据模型双驱动的联合mimo信道估计和信号检测方法
US8619918B2 (en) Sparse channel estimation for MIMO OFDM systems
RU2404513C2 (ru) Эффективный расчет весовых коэффициентов фильтра для системы mimo
US10270547B2 (en) Method and apparatus for sinusoid detection
US20040223561A1 (en) Methods for multi-user broadband wireless channel estimation
US8451930B2 (en) Sparse channel estimation using order extension for frequency and time selective MIMO wireless communication networks
CN113162665B (zh) 一种基于深度学习信道预测的预编码方法
Kim et al. Two-step approach to time-domain channel estimation for wideband millimeter wave systems with hybrid architecture
CN115361257A (zh) 上行大规模mimo稀疏信道估计方法及相关设备
Li et al. A full second-order analysis of the widely linear MVDR beamformer for noncircular signals
Hassan et al. Polynomial GSVD beamforming for two-user frequency-selective MIMO channels
Huttunen et al. DeepTx: Deep learning beamforming with channel prediction
Amiri et al. Distributed receivers for extra-large scale MIMO arrays: A message passing approach
CN115606157A (zh) 天线阵列的信道估计
WO2024021620A1 (zh) Mimo系统的性能优化方法、装置、设备及存储介质
US11777585B2 (en) Wireless receiving apparatus and method thereof
Yang et al. Joint Adaptive Blind Channel Estimation and Data Detection for MIMO‐OFDM Systems
CN109379116B (zh) 基于切比雪夫加速法与sor算法的大规模mimo线性检测算法
US11962436B2 (en) User detection technique, and method and apparatus for channel estimation in wireless communication system supporting massive multiple-input multiple-output
Yang et al. [Retracted] Adaptive Blind Channel Estimation for MIMO‐OFDM Systems Based on PARAFAC
CN115037339A (zh) 信号检测方法及终端设备
Kim Performance of decremental antenna selection algorithms for spatial multiplexing MIMO systems with linear receiver over correlated fading channels
CN100369390C (zh) 多天线阵列接收无线传输的方法
Sahoo et al. Multiuser Massive MIMO Channel Estimation and BER Analysis Using Convex Combination Based Algorithms
Kishore et al. Deep Convolutional Spiking Neural Network Optimized with Coyote Chimp Optimization Algorithm for Imperfect Channel Estimation in MIMO-fOFDM/FQAM Based 5G Network.

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