CN115967421A - 一种分布式天线系统下联合参数估计与信号重构的方法及系统 - Google Patents

一种分布式天线系统下联合参数估计与信号重构的方法及系统 Download PDF

Info

Publication number
CN115967421A
CN115967421A CN202211666103.2A CN202211666103A CN115967421A CN 115967421 A CN115967421 A CN 115967421A CN 202211666103 A CN202211666103 A CN 202211666103A CN 115967421 A CN115967421 A CN 115967421A
Authority
CN
China
Prior art keywords
noise variance
signal
algorithm
cluster
iteration
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
CN202211666103.2A
Other languages
English (en)
Inventor
吴宇
张浩川
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211666103.2A priority Critical patent/CN115967421A/zh
Publication of CN115967421A publication Critical patent/CN115967421A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Radio Transmission System (AREA)

Abstract

本发明公开了一种分布式天线系统下联合参数估计与信号重构的方法及系统，方法包括：S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；S2：对噪声方差参数和信号估计值初始化，设置迭代停止条件并获取预设算法所需的输入值；S3：分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；并求出信号的估计值；S4：通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。本发明实现对不同环境下噪声方差和信号的联合估，提高了信号重构性能。

Description

一种分布式天线系统下联合参数估计与信号重构的方法及系统
技术领域
本发明涉及信号重构技术领域，更具体地，涉及一种分布式天线系统下联合参数估计与信号重构的方法及系统。
背景技术
分布式天线系统是一个由空间分离的天线节点组成的网络，通过传输介质连接到一个公共源，在一个地理区域或结构内提供无线服务。在5G技术快速发展的当下，分布式天线系统作为一种极具竞争力的技术，在无需额外频谱资源和发射功率的前提下，通过充分挖掘空间信道资源有效提高系统容量与可靠性，降低干扰消除的复杂度，成为不可或缺的关键技术。
分布式天线系统中带有低精度模数转换器(ADC)的上行链路大规模MIMO通信可以抽象成一个广义线性模型。当使用近似贝叶斯推断算法对模型中的信号进行重构时，需要知道噪声的协方差矩阵，才能获得很高的准确率。而目前表现较好的算法要求只能针对噪声协方差矩阵未知的标准线性模型进行信号重构，如果不满足该要求则会导致信号的估计值与真实值相差甚远，不能满足信号传输的基本要求。
现有技术中，公开了一种大规模MIMO系统的上行链路信道估计方法，该方法包含以下步骤：(1)使用高斯混合模型对信道的概率模型进行建模；(2)使用最优贝叶斯参数估计进行信道估计；(3)使用层次聚类算法给定迭代初值；(4)使用近似消息传递算法求解步骤二中的边缘概率密度函数；(5)使用期望最大算法迭代求解高斯混合模型的参数。该方法主要应用于大规模MIMO系统上行链路的信道估计中，其可以在信道增益概率模型中使用近似消息传递算法和期望最大算法实现对先验参数和信道的估计。但该方法不适用于ADC下的广义线性模型，也无法对似然函数中的参数(噪声协方差矩阵)进行估计。因此在实施过程中，该方法不能在分布式天线系统下对噪声方差和信号进行有效的估计。
发明内容
本发明提供了一种分布式天线系统下联合参数估计与信号重构的方法及系统，解决了目前分布式天线系统中由于噪声方差参数估计不准确而导致的信号重构性能较差的问题。
本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
本发明第一方面提供了一种分布式天线系统下联合参数估计与信号重构的方法，包括以下步骤：
S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；
S2：对模型中的噪声方差参数和信号估计值进行初始化，设置迭代停止条件并获取预设算法所需的输入值，所述预设算法为期望最大算法与分布式广义期望传播算法；
S3：根据所需输入参数和模型所对应的因子图，在预设的迭代次数下使用分布式广义期望传播算法分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
S4：各簇天线端的噪声方差估计器根据期望最大算法，以变分贝特自由能为目标函数，通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；
S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；
S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。
进一步的，在因子图中，转移概率p(yl∣zl；σl)对应的因子节点，若处于分布式广义期望传播算法迭代阶段，的迭代次数小于或等于预设的迭代次数时，则转移概率p(yl∣zl；σl)中的σl的取值等于上次噪声方差的估计值
Figure BDA0004015137300000021
该因子节点对应的近似后验概率表示为
Figure BDA0004015137300000022
若处于噪声方差估计阶段，则转移概率p(yl∣zl；σl)中的σl作为未知参数存在，经过步骤S4，产生新的噪声方差估计值，其中yl表示为第l簇天线的接收信号，而zl＝Alx为随机变量。
进一步的，通过对期望最大算法E步骤和M步骤的约束项进行松弛和近似，可将其E步骤得到的解与S3中分布式广义期望传播算法在因子图迭代产生的不动点联系起来，利用S3步骤计算得到的结果作为其E步骤的解和M步骤的输入，其M步骤通过最小化变分贝特自由能实现对噪声方差参数的自动更新，即步骤S4，表示如下：
Figure BDA0004015137300000031
Figure BDA0004015137300000032
表示新的噪声方差估计值；
Figure BDA0004015137300000033
和
Figure BDA0004015137300000034
表示S3步骤中输出近似后验概率
Figure BDA0004015137300000035
的均值和方差；p(ylm∣zlm；σl)表示转移概率p(yl∣zl；σl)中第m位的标量形式；zlm表示为随机变量；
Figure BDA0004015137300000036
和
Figure BDA0004015137300000037
分别是矢量
Figure BDA0004015137300000038
和
Figure BDA0004015137300000039
的第m位标量值。
进一步的，在步骤S2中，根据实际分布式天线系统所要求的估计准确度和计算复杂度初始化噪声方差参数和信号估计值。
进一步的，在步骤S3中，通过调节分布式广义期望传播算法的预定迭代次数适应实际分布式天线系统所要求的估计准确率和计算复杂度。
进一步的，第l簇天线的上行链路大规模MIMO通信可抽象为广义线性模型，表达式为：
yl＝Qc(Alx+wl),l＝1,2,…,L
zl＝Alx
其中，
Figure BDA00040151373000000310
为待估计的信号，Qc(·)为复数的低精度量化器，L为分布式天线系统中天线的总簇数；
Figure BDA00040151373000000311
和
Figure BDA00040151373000000312
分别是第l簇天线的接收信号和信道矩阵，wl则是第l簇天线所对应的加性高斯白噪声；
分布式天线系统的上行链路大规模MIMO通信抽象为广义线性模型，表达式为：
y＝Qc(Ax+w)
其中
Figure BDA00040151373000000313
和
Figure BDA00040151373000000314
进一步的，分布式天线系统中的各簇天线由于分布位置不同导致其对应的环境噪声方差σl也不同，因此需要各簇天线端计算单元的噪声方差估计器独立地进行参数估计，随机变量wl的概率密度函数为
Figure BDA00040151373000000315
其中σl和I分别是未知的噪声方差参数和单位矩阵，p(yl∣zl；σl)是由量化器引起的转移概率，表达式为：
Figure BDA00040151373000000316
Figure BDA0004015137300000041
其中
Figure BDA0004015137300000042
进一步的，通过二阶优化方法最小化变分贝特自由能，处理以变分贝特自由能
Figure BDA0004015137300000043
为目标函数的优化问题时，若估计出的噪声方差
Figure BDA0004015137300000044
严重偏离实际环境中噪声方差的正常取值范围，则强制使
Figure BDA0004015137300000045
即保留上一次的噪声方差估计值。
进一步的，在步骤S3中，若个别天线端计算单元由于故障无法向中央处理单元传输计算数据，则不会对系统的性能有明显的影响，具有良好的鲁棒性。
本发明第二方面提供了一种分布式天线系统下联合参数估计与信号重构系统，该系统包括：存储器、处理器，所述存储器中包括一种分布式天线系统下联合参数估计与信号重构的方法程序，所述一种分布式天线系统下联合参数估计与信号重构的方法程序被所述处理器执行时实现如下步骤：
S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；
S2：对模型中的噪声方差参数和信号估计值进行初始化，设置迭代停止条件并获取预设算法所需的输入值，所述预设算法为期望最大算法与分布式广义期望传播算法；
S3：根据所需输入参数和模型所对应的因子图，在预设的迭代次数下使用分布式广义期望传播算法分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
S4：各簇天线端的噪声方差估计器根据期望最大算法，以变分贝特自由能为目标函数，通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；
S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；
S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过结合分布式广义期望传播算法和最大期望算法进行不断地迭代计算，可以实现对不同环境下噪声方差和信号的联合估计，实现了在信道矩阵具有很强相关性的条件下，仍具有鲁棒性，提高了信号重构性能。
附图说明
图1为本发明分布式天线系统下联合参数估计与信号重构的方法流程图。
图2为本发明实施例分布式天线系统的广义线性模型示意图。
图3为图本发明实施例异方差噪声量化模型下EM-DeGEC算法与现有的DeGEC算法的误码率与迭代关系的对比示意图。
图4为本发明实施例在具有较强相关性的信道矩阵下EM-DeGEC算法与现有的DeGEC算法信号重构和参数估计准确率在不同信噪比中的对比示意图。
图5为本发明实施例EM-DeGEC算法与现有的DeGEC算法在不同相关性信道矩阵下信号重构准确率的对比示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
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他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图1所示，本发明第一方面提供了一种分布式天线系统下联合参数估计与信号重构的方法，包括以下步骤：
S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；
S2：对模型中的噪声方差参数和信号估计值进行初始化，设置迭代停止条件并获取预设算法所需的输入值，所述预设算法为期望最大算法与分布式广义期望传播算法；
需要说明的是，在具体实施过程中，为了能够减少算法的迭代次数和更好的对噪声方差参数进行估计，一般将
Figure BDA0004015137300000051
初始化为0。
S3：根据所需输入参数和模型所对应的因子图，在预设的迭代次数下使用分布式广义期望传播算法分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
需要说明的是，在具体实施过程中，若为了让噪声方差估计器能够实时地更新参数以获得更好的估计准确率，则应减少预设的迭代次数KMAX，一般将其设置为1；若为了降低算法整体的计算复杂度，缩短计算时间，则应适当增加预设的迭代次数KMAX，一般将其设置为3。根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
S4：各簇天线端的噪声方差估计器根据期望最大算法，以变分贝特自由能为目标函数，通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；
S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；
S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。
需要说明的是，在具体的实施过程中，通过将分布式广义期望传播算法DeGEC和期望最大算法EM结合形成的EM-DeGEC算法可以实现参数和信号的联合估计，即使在信道矩阵具有很强相关性的条件下，该算法依然可以正常工作，具有鲁棒性。
进一步的，在因子图中，转移概率p(yl∣zl；σl)对应的因子节点，若处于分布式广义期望传播算法迭代阶段(步骤S3)，的迭代次数小于或等于预设的迭代次数时，则转移概率p(yl∣zl；σl)中的σl的取值等于上次噪声方差的估计值
Figure BDA0004015137300000061
该因子节点对应的近似后验概率表示为
Figure BDA0004015137300000062
若处于噪声方差估计阶段，则转移概率p(yl∣zl；σl)中的σl作为未知参数存在，经过步骤S4，产生新的噪声方差估计值，其中yl表示为第l簇天线的接收信号，而zl＝Alx为随机变量。
进一步的，通过对期望最大算法E步骤和M步骤的约束项进行松弛和近似，可将其E步骤得到的解与S3中分布式广义期望传播算法在因子图迭代产生的不动点联系起来，利用S3步骤计算得到的结果作为其E步骤的解和M步骤的输入，其M步骤通过最小化变分贝特自由能实现对噪声方差参数的自动更新，即步骤S4，表示如下：
Figure BDA0004015137300000063
Figure BDA0004015137300000071
Figure BDA0004015137300000072
表示新的噪声方差估计值；
Figure BDA0004015137300000073
和
Figure BDA0004015137300000074
表示S3步骤中输出近似后验概率
Figure BDA0004015137300000075
的均值和方差；p(ylm∣zlm；σl)表示转移概率p(yl∣zl；σl)中第m位的标量形式；zlm表示为随机变量；
Figure BDA0004015137300000076
和
Figure BDA0004015137300000077
分别是矢量
Figure BDA0004015137300000078
和
Figure BDA0004015137300000079
的第m位标量值。
进一步的，在步骤S2中，根据实际分布式天线系统所要求的估计准确度和计算复杂度初始化噪声方差参数和信号估计值。
进一步的，在步骤S3中，通过调节分布式广义期望传播算法的预定迭代次数适应实际分布式天线系统所要求的估计准确率和计算复杂度。
在具体实施过程中，可以根据分布式天线系统要求灵活地调整初始化参数和预定迭代次数的设置，实现系统在性能和计算复杂度上的相对平衡。
进一步的，在实际的分布式天线系统中，如图2所示，一个中央处理单元与多个天线端计算单元相连，第l簇天线的上行链路大规模MIMO通信可抽象为广义线性模型，表达式为：
yl＝Qc(Alx+wl),l＝1,2,…,L
zl＝Alx
其中，
Figure BDA00040151373000000710
为待估计的信号，Qc(·)为复数的低精度量化器，L为分布式天线系统中天线的总簇数；
Figure BDA00040151373000000711
和
Figure BDA00040151373000000712
分别是第l簇天线的接收信号和信道矩阵，wl则是第l簇天线所对应的加性高斯白噪声；
分布式天线系统的上行链路大规模MIMO通信抽象为广义线性模型，表达式为：
y＝Qc(Ax+w)
其中
Figure BDA00040151373000000713
和
Figure BDA00040151373000000714
进一步的，分布式天线系统中的各簇天线由于分布位置不同导致其对应的环境噪声方差σl也不同，因此需要各簇天线端计算单元的噪声方差估计器独立地进行参数估计，随机变量wl的概率密度函数为
Figure BDA00040151373000000715
其中σl和I分别是未知的噪声方差参数和单位矩阵，p(yl∣zl；σl)是由量化器引起的转移概率，表达式为：
Figure BDA0004015137300000081
其中
Figure BDA0004015137300000082
进一步的，通过二阶优化方法最小化变分贝特自由能，极大地提高了各簇天线端计算单元对噪声方差参数的估计速度，处理以变分贝特自由能
Figure BDA0004015137300000083
为目标函数的优化问题时，若估计出的噪声方差
Figure BDA0004015137300000084
严重偏离实际环境中噪声方差的正常取值范围，则强制使
Figure BDA0004015137300000085
即保留上一次的噪声方差估计值。
进一步的，在步骤S3中，若个别天线端计算单元由于故障无法向中央处理单元传输计算数据，则不会对系统的性能有明显的影响，具有良好的鲁棒性。
在具体实施过程中，还可以调整S4步骤中优化问题的处理方法以达到计算时间和硬件成本的平衡。若使用二阶优化方法，则可以加快噪声方差的估计速度，但会提高计算的复杂度，对估计器的硬件性能有一定要求。
实施例2
本发明第二方面提供了一种分布式天线系统下联合参数估计与信号重构系统，该系统包括：存储器、处理器，所述存储器中包括一种分布式天线系统下联合参数估计与信号重构的方法程序，所述一种分布式天线系统下联合参数估计与信号重构的方法程序被所述处理器执行时实现如下步骤：
S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；
S2：对模型中的噪声方差参数和信号估计值进行初始化，设置迭代停止条件并获取预设算法所需的输入值，所述预设算法为期望最大算法与分布式广义期望传播算法；
S3：根据所需输入参数和模型所对应的因子图，在预设的迭代次数下使用分布式广义期望传播算法分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
S4：各簇天线端的噪声方差估计器根据期望最大算法，以变分贝特自由能为目标函数，通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；
S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；
S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。
实施例3
本实施例结合EM-DeGEC算法的伪代码具体说明。
EM-DeGEC伪代码如下：
Figure BDA0004015137300000091
DeGEC伪代码如下：
Figure BDA0004015137300000092
Figure BDA0004015137300000101
其中，
Figure BDA0004015137300000102
和Var[·]分别表示计算期望和方差，⊙表示点乘计算，
Figure BDA0004015137300000103
表示点除计算，d(·)表示求矩阵(·)的对角元素并组成向量，Diag(·)表示将向量(·)的进行对角化。DeGEC算法中定义的bx和
Figure BDA0004015137300000104
分别是关于x和zl的近似后验概率。
EM-DeGEC算法中参数的初始值大小取决于给定分布式天线系统的性能要求，若系统硬件性能较好并可接受较高复杂度的运算，则可减少DeGEC算法的预设迭代次数KMAX，并在求解EM-DeGEC第5行的优化问题时使用二阶优化方法；反之，则可增加KMAX，并使用一阶优化方法。
EM-DeGEC算法的迭代过程首先从DeGEC算法部分开始执行，此时的噪声方差
Figure BDA0004015137300000111
是上一次从噪声方差估计器中取出的值，若是EM-DeGEC算法第一次迭代，则
Figure BDA0004015137300000112
是给定初始化的值。DeGEC算法执行完毕后，将输出的
Figure BDA0004015137300000113
和
Figure BDA0004015137300000114
作为噪声方差估计器的输入，通过最小化变分贝特自由能得到新一次的噪声方差估计值，从而完成一轮迭代。
图2为本实施例的EM-DeGEC算法的因子图。在本实施例中，存在一个分布式天线系统，其放置了8个天线端计算单元在噪声方差不同的区域，每个天线端计算单元具有250根天线。在分布式MIMO通信下，移动端设备发射功率归一化的32QAM调制信号，该分布式天线系统使用EM-DeGEC算法将接收到的观测信号进行重构。结果如图3所示，在信道矩阵带有较强相关性的情况下，EM-DeGEC算法依然能够准确地估计出噪声方差参数和传输信号，其中信号估计值的准确率可以达到DeGEC算法(噪声方差已知)的运行水平。如图4所示，信噪比处于正常的变化范围内，EM-DeGEC算法依然可以很好地工作，其性能与DeGEC算法(噪声方差已知)相当。如图5所示，随着信道矩阵的相关性越强，则EM-DeGEC算法的性能会越差，但依然可以达到DeGEC算法(噪声方差已知)的水平，对比EM-GAMP算法，则不能进行正常地工作。根据上述测试结果可知，将EM-DeGEC算法应用在分布式天线系统中可以有效地进行参数估计和信号重构。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，包括以下步骤：
S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；
S2：对模型中的噪声方差参数和信号估计值进行初始化，设置迭代停止条件并获取预设算法所需的输入值，所述预设算法为改进的期望最大算法与分布式广义期望传播算法结合形成的算法；
S3：根据所需输入参数和模型所对应的因子图，在预设的迭代次数下使用分布式广义期望传播算法分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
S4：各簇天线端的噪声方差估计器根据期望最大算法，以变分贝特自由能为目标函数，通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；
S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；
S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。
2.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，在因子图中，转移概率p(yl∣zl；σl)对应的因子节点，若处于分布式广义期望传播算法迭代阶段，的迭代次数小于或等于预设的迭代次数时，则转移概率p(yl∣zl；σl)中的σl的取值等于上次噪声方差的估计值
Figure FDA0004015137290000011
该因子节点对应的近似后验概率表示为
Figure FDA0004015137290000012
若处于噪声方差估计阶段，则转移概率p(yl∣zl；σl)中的σl作为未知参数存在，经过步骤S4，产生新的噪声方差估计值，其中yl表示为第l簇天线的接收信号，而zl＝Alx为随机变量。
3.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，通过对期望最大算法E步骤和M步骤的约束项进行松弛和近似，可将其E步骤得到的解与S3中分布式广义期望传播算法在因子图迭代产生的不动点联系起来，利用S3步骤计算得到的结果作为其E步骤的解和M步骤的输入，其M步骤通过最小化变分贝特自由能实现对噪声方差参数的自动更新，即步骤S4，表示如下：
Figure FDA0004015137290000021
Figure FDA0004015137290000022
表示新的噪声方差估计值；
Figure FDA0004015137290000023
和
Figure FDA0004015137290000024
表示S3步骤中输出近似后验概率
Figure FDA0004015137290000025
的均值和方差；p(ylm∣zlm；σl)表示转移概率p(yl∣zl；σl)中第m位的标量形式；
Figure FDA0004015137290000026
表示为随机变量；
Figure FDA0004015137290000027
和
Figure FDA0004015137290000028
分别是矢量
Figure FDA0004015137290000029
和
Figure FDA00040151372900000210
的第m位标量值。
4.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，在步骤S2中，根据实际分布式天线系统所要求的估计准确度和计算复杂度初始化噪声方差参数和信号估计值。
5.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，在步骤S3中，通过调节分布式广义期望传播算法的预定迭代次数适应实际分布式天线系统所要求的估计准确率和计算复杂度。
6.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，第l簇天线的上行链路大规模MIMO通信可抽象为广义线性模型，表达式为：
yl＝Qc(Alx+wl)，l＝1，2，…，L
zl＝Alx
其中，
Figure FDA00040151372900000211
为待估计的信号，Qc(·)为复数的低精度量化器，L为分布式天线系统中天线的总簇数；
Figure FDA00040151372900000212
和
Figure FDA00040151372900000213
分别是第l簇天线的接收信号和信道矩阵，wl则是第l簇天线所对应的加性高斯白噪声；
分布式天线系统的上行链路大规模MIMO通信抽象为广义线性模型，表达式为：
y＝Qc(Ax+w)
其中
Figure FDA00040151372900000214
和
Figure FDA00040151372900000215
7.根据权利要求6所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，分布式天线系统中的各簇天线由于分布位置不同导致其对应的环境噪声方差σl也不同，因此需要各簇天线端计算单元的噪声方差估计器独立地进行参数估计，随机变量wl的概率密度函数为
Figure FDA0004015137290000031
其中σl和I分别是未知的噪声方差参数和单位矩阵，p(yl∣zl；σl)是由量化器引起的转移概率，表达式为：
Figure FDA0004015137290000032
Figure FDA0004015137290000033
其中
Figure FDA0004015137290000034
8.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，通过二阶优化方法最小化变分贝特自由能，处理以变分贝特自由能
Figure FDA0004015137290000035
为目标函数的优化问题时，若估计出的噪声方差
Figure FDA0004015137290000036
严重偏离实际环境中噪声方差的正常取值范围，则强制使
Figure FDA0004015137290000037
即保留上一次的噪声方差估计值。
9.根据权利要求1所述的一种分布式天线系统下联合参数估计与信号重构的方法，其特征在于，在步骤S3中，若个别天线端计算单元由于故障无法向中央处理单元传输计算数据，则不会对系统的性能有明显的影响，具有良好的鲁棒性。
10.一种分布式天线系统下联合参数估计与信号重构系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种分布式天线系统下联合参数估计与信号重构的方法程序，所述一种分布式天线系统下联合参数估计与信号重构的方法程序被所述处理器执行时实现如下步骤：
S1：构建分布式天线系统下参数估计与信号重构的广义线性模型；
S2：对模型中的噪声方差参数和信号估计值进行初始化，设置迭代停止条件并获取预设算法所需的输入值，所述预设算法为期望最大算法与分布式广义期望传播算法；
S3：根据所需输入参数和模型所对应的因子图，在预设的迭代次数下使用分布式广义期望传播算法分别得到信号的近似后验概率和各簇天线端的噪声方差估计器所需的输入参数；根据信号的近似后验概率，使用最小均方误差估器求出信号的估计值；
S4：各簇天线端的噪声方差估计器根据期望最大算法，以变分贝特自由能为目标函数，通过最小化变分贝特自由能独立估计出信号对应的噪声方差参数；
S5：判断是否达到预设的迭代停止条件，若是，则流转到步骤S6；若否，则返回步骤S3进行下一轮迭代；
S6：迭代结束，输出信号的估计值和各簇天线端对应噪声方差的估计值。
CN202211666103.2A 2022-12-23 2022-12-23 一种分布式天线系统下联合参数估计与信号重构的方法及系统 Pending CN115967421A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211666103.2A CN115967421A (zh) 2022-12-23 2022-12-23 一种分布式天线系统下联合参数估计与信号重构的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211666103.2A CN115967421A (zh) 2022-12-23 2022-12-23 一种分布式天线系统下联合参数估计与信号重构的方法及系统

Publications (1)

Publication Number Publication Date
CN115967421A true CN115967421A (zh) 2023-04-14

Family

ID=87352611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211666103.2A Pending CN115967421A (zh) 2022-12-23 2022-12-23 一种分布式天线系统下联合参数估计与信号重构的方法及系统

Country Status (1)

Country Link
CN (1) CN115967421A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116567098A (zh) * 2023-07-10 2023-08-08 广东工业大学 一种混合广义期望一致的信号重构方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116567098A (zh) * 2023-07-10 2023-08-08 广东工业大学 一种混合广义期望一致的信号重构方法及系统
CN116567098B (zh) * 2023-07-10 2023-09-15 广东工业大学 一种混合广义期望一致的信号重构方法及系统

Similar Documents

Publication Publication Date Title
CN111224906B (zh) 基于深度神经网络的近似消息传递大规模mimo信号检测算法
CN111698182A (zh) 一种基于压缩感知的时频分块稀疏的信道估计方法
CN111953391A (zh) 智能反射面辅助的多用户mimo上行能效谱效联合优化方法
CN108833060B (zh) 一种基于ep-nsa算法的大规模mimo系统检测方法
CN110311715B (zh) 能效最优的大规模mimo非正交单播多播传输功率分配方法
CN111970033B (zh) 能效谱效联合优化的大规模mimo多播功率分配方法
CN115967421A (zh) 一种分布式天线系统下联合参数估计与信号重构的方法及系统
CN107864029A (zh) 一种降低多用户检测复杂度的方法
CN114285523A (zh) 面向多业务需求的大规模mtc免授权多用户检测方法及系统
Nguyen et al. Deep learning for estimation and pilot signal design in few-bit massive MIMO systems
CN106878997B (zh) 一种基于分布式网络的节点采样速率自适应调整方法
CN110086734B (zh) 一种时变大规模mimo系统中的信道追踪和恢复方法
CN110149285B (zh) 一种在低比特量化的高阶调制中降低相位误差的方法
Thoota et al. Quantized variational Bayesian joint channel estimation and data detection for uplink massive MIMO systems with low resolution ADCs
CN107809399B (zh) 一种针对量化接收信号的多天线毫米波信道估计方法
KR102032956B1 (ko) 시간적 상관 관계를 이용한 다중 안테나 통신 시스템에서 채널 추정 방법 및 그 장치
CN112929307B (zh) 一种免授权通信下的分布式信道估计方法
WO2022089217A9 (zh) 密钥生成方法、装置、电子设备及存储介质
CN113965236B (zh) 适用于卫星通信的高鲁棒性自适应波束赋形方法和装置
CN113472412B (zh) 基于增强型elm的叠加csi反馈方法
CN108400948B (zh) 一种环境自适应感知无线通信信道估计与信号重构方法
CN112731273A (zh) 一种基于稀疏贝叶斯的低复杂度信号波达方向估计方法
CN106911431B (zh) 应用于稀疏编码多址接入系统解调过程中改进的部分边缘信息传递方法
CN116032317B (zh) 一种免授权的联合活跃用户与数据检测方法
CN114520700B (zh) 一种低分辨率adc下机器类通信中的低复杂度信号检测方法

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