CN118018367A - 面向大规模mimo的模型驱动s-csi估计方法、设备及基站 - Google Patents

面向大规模mimo的模型驱动s-csi估计方法、设备及基站 Download PDF

Info

Publication number
CN118018367A
CN118018367A CN202410148587.4A CN202410148587A CN118018367A CN 118018367 A CN118018367 A CN 118018367A CN 202410148587 A CN202410148587 A CN 202410148587A CN 118018367 A CN118018367 A CN 118018367A
Authority
CN
China
Prior art keywords
csi
clustering
model
driven
base station
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
CN202410148587.4A
Other languages
English (en)
Inventor
彭薇
库浩岩
成明峰
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and 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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202410148587.4A priority Critical patent/CN118018367A/zh
Publication of CN118018367A publication Critical patent/CN118018367A/zh
Pending legal-status Critical Current

Links

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
    • H04L25/024—Channel estimation channel estimation algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了面向大规模MIMO的模型驱动S‑CSI估计方法、设备及基站，属于无线通信领域，方法包括：获取已知S‑CSI下的接收信号，以确定S_0个S‑CSI对应的聚类中心；收集基站端L个时刻的接收信号，作为观测数据，根据S_0个聚类中心对观测数据进行聚类，得到S个聚类类别；S_0个表示用户的S‑CSI上限值，S≤S_0；设置CHMM的隐状态数量为S，并初始化CHMM初始的协方差矩阵集合由各聚类类别的协方差矩阵构成；对CHMM的模型参数进行迭代更新后求解各时刻的隐状态，得到隐状态序列；对于t时刻，根据t时刻的隐状态qt确定对应的协方差矩阵提取其对角线元素根据预先确定的与zt间的对应关系计算zt，zt为t时刻用户的S‑CSI。本发明能够有效提升大规模MIMO通信系统的性能。

Description

面向大规模MIMO的模型驱动S-CSI估计方法、设备及基站
技术领域
本发明属于无线通信领域，更具体地，涉及面向大规模MIMO的模型驱动S-CSI估计方法、设备及基站。
背景技术
移动互联网的快速发展得益于移动通信技术的不断进步，而由此产生的经济效益与社会变革进一步促使更多学者将目光转向前沿通信技术。自20世纪80年代至今，移动通信技术已经由第一代发展到了第五代(5th Generation,5G)。并且，学术界和工业界正逐步开展对第六代移动通信的技术预研。
国际电信联盟定义了5G的三大应用场景：增强移动宽带(enhanced MobileBroadband,eMBB)、超高可靠低时延通信(ultra Reliable Low Latency Communication,uRLLC)和海量机器类通信(massive Machine Type Communication,mMTC)。为了满足上述应用场景的性能需求，大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术被引入，成为5G关键技术之一。大规模MIMO系统一般在基站端部署由数百根天线组成的天线阵列，更多的天线带来了更大的空间自由度，可以进一步提高传输速率和通信可靠性。通过随机矩阵理论可以证明，当基站的天线数量趋近于无穷时，仅通过简单的线性信号检测和适当的收发机设计，就可以使得单根天线的发射功率趋近于零，从而避免多用户干扰，极大地提升系统容量。
为了实现大规模MIMO技术的诸多优势，例如，快速准确地确定用户的发射信号等，准确获取统计信道状态信息(Statistical Channel State Information,S-CSI)至关重要。从信息论的角度可以证明，为了获得相同的性能，在基站端已知完美CSI的条件下，每个单天线用户的发射功率与基站端的天线数量成反比；而当CSI不完全已知时，用户发射功率与基站天线数量的平方根成反比。因此，获取准确的CSI可以极大地提升系统的信道容量和能量效率。
然而，文献调研表明，现有的关于S-CSI估计的研究大多基于大规模MIMO系统信道具有广义平稳特性这一假设，即S-CSI在一段较长的时间内保持稳定，如“An Overview ofMassive MIMO:Benefits and Challenges”。但是，实际场景下的S-CSI并不满足该假设。若小区内的用户分布较近且周围的散射环境相似，则所有用户具有相同的S-CSI。由于用户终端的周围存在着固定散射体(如大型建筑)和可变散射体(如临时停放的车辆)，而可变散射体以一定的概率出现或者消失，这导致用户周围的散射环境会随时间发生变化。另外，用户群在小区内移动同样会改变用户周围的通信环境。上述原因均使得所有用户的S-CSI随时间改变，大规模MIMO信道表现出时间非平稳特性。此时，基于广义平稳假设所提出的算法，如论文“Beam Division Multiple Access Transmission for Massive MIMOCommunications”和“Robust Linear Precoder Design for 3D Massive MIMO DownlinkWith A Posteriori Channel Model.IEEE Transactions on Vehicular Technology”中所提出的S-CSI估计方法难以适用，估计效果较差。
现有的非平稳S-CSI估计方法往往假设S-CSI相比于瞬时信道状态信息(instantaneous channel state information,I-CSI)变化慢得多，可通过获取多个时刻的I-CSI拟合该时间段的S-CSI。而在实际应用中，MIMO系统往往规模较大，这类方法假设信道的统计特性变化较慢，信道矩阵中的元素在较长时间内都服从相同的分布，并不适用于信道统计特性变化较快的大规模MIMO系统。
综上所述，为了有效提升大规模MIMO通信系统的性能，以更好地在移动通信中应用大规模MIMO技术，亟需提出一种适用于大规模MIMO通信系统中非平稳信道的统计信道状态信息估计方法。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了面向大规模MIMO的模型驱动S-CSI估计方法、设备及基站，其目的在于，提出一种适用于大规模MIMO通信系统中非平稳信道的统计信道状态信息(S-CSI)估计方法，以有效提升大规模MIMO通信系统的性能。
为实现上述目的，按照本发明的一个方面，提供了一种面向大规模MIMO的模型驱动S-CSI估计方法，包括：
(S1)获取已知S-CSI下的基站端接收信号，作为聚类辅助数据；
(S2)利用聚类辅助数据确定S_0个S-CSI对应的聚类中心，收集基站端L个时刻的接收信号，作为观测数据，根据S_0个聚类中心对观测数据进行聚类，得到S个聚类类别；S_0表示用户的S-CSI上限值，S≤S_0；L为预设正整数；
(S3)设置CHMM的隐状态数量为S，并初始化CHMM的模型参数；模型参数中，初始的协方差矩阵集合由各聚类类别的协方差矩阵构成；
(S4)对CHMM的模型参数进行迭代更新，并根据迭代更新后的模型参数求解各时刻的隐状态，得到隐状态序列；
(S5)根据隐状态序列计算各时刻用户的S-CSI，得到S-CSI序列；
其中，对于任意t时刻，记该时刻用户的S-CSI为zt，则zt的计算方式包括：根据t时刻的隐状态qt确定对应的协方差矩阵提取其对角线元素/>根据预先确定的/>与zt间的对应关系计算zt。
进一步地，步骤(S1)包括：
(S11)初始化S-CSI＝1；
(S12)令小区内用户的发射信号矢量为xt∈RN×1，根据当前S-CSI生成小区内用户到基站端的上行信道矩阵生成相应的接收信号为yt＝Htxt；M和N分别表示基站天线数量和小区内用户数量；/>表示第i个用户的信道矢量；
(S13)重复执行(S12)，生成当前S-CSI下的多个接收信号，作为当前S-CSI对应的聚类辅助数据；
(S14)若S-CSI的取值小于S_0，则将S-CSI的取值增加1后，转入步骤(S12)；否则，聚类辅助数据生成完成。
进一步地，步骤(S2)中，利用聚类辅助数据确定S_0个S-CSI对应的聚类中心，包括：对于每一个S-CSI，执行以下步骤：
确定当前S-CSI对应的聚类辅助数据和观测数据，以其中的接收信号为图的顶点，构造带权的完全图；带权的完全图中，任意两顶点之间的权值为对应接收信号间的欧式距离；
构造带权的完全图的最小生成树，计算最小生成树中各顶点的均值，作为当前S-CSI对应的聚类中心。
进一步地，步骤(S2)包括：
(S21)利用聚类辅助数据确定S_0个S-CSI对应的聚类中心；
(S22)根据当前确定的S_0个聚类中心对观测数据进行初步聚类，将观测数据划分为多个聚类类别；
(S23)重复执行步骤(S21)～(S22)，直至聚类所得聚类类别不再发生变化。
进一步地，步骤(S22)中，根据当前确定的S_0个聚类中心对观测数据进行初步聚类时，采用K-Means聚类。
进一步地，预先确定的与zt间的对应关系为：
其中，Ptotal表示小区内用户的发射功率矢量，σn表示白噪声信号的标准差。
进一步地，步骤(S4)中，采用Baum-Welch算法迭代更新CHMM的模型参数。
进一步地，步骤(S4)中，根据迭代更新后的模型参数求解各时刻的隐状态时，采用维特比算法。
按照本发明的又一个方面，提供了一种面向大规模MIMO的模型驱动S-CSI估计设备，包括：
计算机可读存储介质，用于存储计算机程序；
以及处理器，用于读取计算机可读存储介质中存储的计算机程序，执行本发明提供的面向大规模MIMO的模型驱动S-CSI估计方法。
按照本发明的又一个方面，提供了一种基站，其搭载有本发明提供的面向大规模MIMO的模型驱动S-CSI估计设备。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明首先将基站端收集到的接收信号聚类为与S-CSI一一对应的多个聚类类别后，基于聚类类别及其数量设置连续的隐马尔可夫模型(CHMM)中初始的协方差矩阵集合以及隐状态数量，然后对CHMM的模型参数进行迭代更新，并基于迭代更新后的参数确定隐状态序列，最后根据隐状态与S-CSI之间的关系求解出S-CSI序列，由此将S-CSI随时间变化的过程建模为CHMM中的隐过程，将接收信号统计特性的时变过程建模为CHMM的观测过程，有效避免了模型陷入局部最优，从而能够准确完成大规模MIMO通信系统中非平稳信道的统计信道状态信息(S-CSI)估计，有效提升大规模MIMO通信系统的性能。
(2)在本发明的优选方案中，利用信道模型生成已知S-CSI下的基站端接收信号作为聚类辅助数据，用于确定聚类中心，实现了一种基于半监督聚类的模型初始化方法，避免了模型性能受初始参数影响严重的问题。同时，在此过程中，可依据当前小区内信道矢量所服从的分布确定各用户的信道矢量，从而得到与当前小区相适应的上行信道矩阵，进一步提高S-CSI的估计准确度。
(3)在本发明的优选方案中，在确定各S-CSI对应的聚类中心时，会先利用S-CSI对应的接收信号生成带权的完全图，然后生成该带权的完全图对应的最小生成树，该最小生成树中的顶点即为带权的完全图中的边缘顶点，本发明最终以最小生成树中的顶点均值作为聚类中心，能够更加准确地确定聚类中心。
(4)在本发明的优选方案中，确定各S-CSI对应的聚类中心后，进行聚类时，会依据观测数据的聚类结果对聚类中心进行修正，并基于修正后的聚类中心重新对观测数据进行聚类，直至聚类结果不再发生变化，由此能够获得更加准确的聚类结果。
(5)在本发明的优选方案中，在确定隐状态序列后，计算各时刻的S-CSI时，所依据的对应关系为实验表明，基于该对应关系，能够更为准确地完成zt(即t时刻用户的S-CSI)的估计。
附图说明
图1为本发明实施例提供的大规模MIMO时间非平稳信道示意图；
图2为本发明实施例提供的面向大规模MIMO的模型驱动S-CSI估计方法流程图；
图3为本发明实施例提供的不同接收信噪比下观测序列长度对估计MSE的影响；
图4为本发明实施例提供的不同模型初始化方法下接收信噪比对估计MSE的影响；
图5为本发明实施例提供的不同模型初始化方法下接收信噪比对模型收敛速度的影响。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
在详细解释本发明的技术方案之前，先对本发明所使用的场景进行简要介绍。具体如图1所示，该场景为包括单个基站、多个天线用户终端的单小区场景。其中，基站配备大规模MIMO天线阵列。用户在上行传输同时向基站端发送信号，基站端接收信号后估计出用户的S-CSI。本发明中，所涉及的参数包括：基站天线数量M、小区内的用户数量N、用户发射功率Pi(i＝1、2…N)，以及用户的S-CSI的上限S_0。便于描述，不失一般性地，在以下实施例中，将S_0设置为10，也即是说，用户的S-CSI不大于10。由于小区内的多用户分布较近且周围的散射环境相似，则所有用户具有相同的S-CSI。由于用户同时同向移动或用户周围的散射体生灭变化，导致大规模MIMO信道表现出时间非平稳特性，用户的S-CSI随时间改变。
为了有效提升大规模MIMO通信系统的性能，以更好地在移动通信中应用大规模MIMO技术，本发明提供了面向大规模MIMO的模型驱动S-CSI估计方法、设备及基站，其整体思路在于，将S-CSI随时间变化的过程建模为CHMM中的隐过程，将接收信号统计特性的时变过程建模为CHMM的观测过程，以适应非平稳信道以及大规模MIMO。在此基础上，进一步对感测数据的聚类过程进行优化，以进一步提高S-CSI的估计准确度。
以下为实施例。
实施例1：
一种面向大规模MIMO的模型驱动S-CSI估计方法，如图2所示，包括步骤(S1)～(S5)，以下对各步骤的具体实施方式进行详细解释说明。
本实施例中，步骤(S1)包括：获取已知S-CSI下的基站端接收信号，作为聚类辅助数据，可选地，本实施例中，将这些聚类辅助数据构成的集合记为聚类辅助数据集Ytrain。
进一步可选地，本实施例中，步骤(S1)具体包括：
(S11)初始化S-CSI＝1；
(S12)令小区内用户的发射信号矢量为xt∈RN×1，根据当前S-CSI生成小区内用户到基站端的上行信道矩阵生成相应的接收信号为yt＝Htxt；M和N分别表示基站天线数量和小区内用户数量；/>表示第i个用户的信道矢量，/>与S-CSI相关，且与小区内用户的信道矢量所服从的分布相关；
可选地，本实施例中，小区内用户的发射信号矢量为同时，/>服从瑞利分布，相应地，其计算表达式为：其中α,β∈RN×1，α和β中的元素均服从标准正态分布；
(S13)重复执行(S12)，生成当前S-CSI下的多个接收信号，作为当前S-CSI对应的聚类辅助数据；
可选地，本实施例中，为每个S-CSI生成100个聚类辅助数据；
(S14)若S-CSI的取值小于S_0，则将S-CSI的取值增加1后，转入步骤(S12)；否则，聚类辅助数据生成完成；本实施例中，用户的S-CSI上限值S＝10因此，最终，本实施例共计得到1000个已知S-CSI的接收信号，组成聚类辅助数据集Ytrain；容易理解的是，聚类辅助数据集Ytrain中，仅保留了接收信号及其对应的S-CSI。
本实施例利用信道模型(即yt＝Htxt)生成已知S-CSI下的基站端接收信号作为聚类辅助数据，用于确定聚类中心，实现了一种基于半监督聚类的模型初始化方法，避免了模型性能受初始参数影响严重的问题，同时，在此过程中，可依据当前小区内信道矢量所服从的分布确定各用户的信道矢量，从而得到与当前小区相适应的上行信道矩阵，进一步提高S-CSI的估计准确度。
应当说明的是，本实施例中，小区内用户的发射信号矢量，以及hit所服从的分布仅为一种示例性的描述，在本发明其他的一些实施例中，也可以为其他形式。
本实施例的(S2)包括：利用聚类辅助数据确定10个S-CSI对应的聚类中心{C1,C2,...,C9,C10}，收集基站端L个时刻的接收信号，作为观测数据，根据10个聚类中心对观测数据进行聚类，得到10个聚类类别；Ck表示S-CSI＝k对应的聚类中心，k＝1、2……10；L为预设正整数；本实施例中，将观测数据所构成的序列记为观测序列Y＝(y1,...,yt,...,yL)，其中yt是t时刻基站端实际的接收信号。
通常情况下，生成聚类辅助数据集Ytrain后，即可确定聚类中心，聚类作用为确定此次估计出现的S-CSI个数，从而确定此次估计的CHMM的参数和模型结构。为了进一步提高聚类的准确度，作为一种优选的实施方式，本实施例中，步骤(S2)具体包括：
(S21)利用聚类辅助数据确定10个S-CSI对应的聚类中心；
优选地，本实施例中，步骤(S21)具体包括：
对于每一个S-CSI，执行以下步骤：
确定当前S-CSI对应的聚类辅助数据和观测数据，以其中的接收信号为图的顶点，构造带权的完全图；带权的完全图中，任意两顶点之间的权值为对应接收信号间的欧式距离，可表示为其中yp和yq是两个不同的接收信号，/>和/>分别是接收信号向量yp和yq第i个元素；
构造带权的完全图的最小生成树，计算最小生成树中各顶点的均值，作为当前S-CSI对应的聚类中心；该最小生成树中的顶点即为带权的完全图中的边缘顶点，即只有一条边连接的顶点，本发明最终以最小生成树中的顶点均值作为聚类中心，能够更加准确地确定聚类中心；
(S22)根据当前确定的10聚类中心对观测数据进行初步聚类，将观测数据划分为多个聚类类别；
可选地，本实施例的步骤(S22)中，根据当前确定的10个聚类中心对观测数据进行初步聚类时，采用K-Means聚类，实验表明，相比于其他聚类方法，本实施例采用K-Means聚类时，将具有更好的聚类效果；
(S23)重复执行步骤(S21)～(S22)，直至聚类所得聚类类别不再发生变化；将此时的聚类类别数量记为S，容易理解的是，本实施例中，S≤10；
本实施例通过重复执行步骤(S21)～(S22)，能够依据观测数据的聚类结果对聚类中心进行修正，并基于修正后的聚类中心重新对观测数据进行聚类，直至聚类结果不再发生变化，由此能够获得更加准确的聚类结果。
本实施例的步骤(S3)包括：设置CHMM的隐状态数量为观测数据的聚类类别数量S，并初始化CHMM的模型参数。
容易理解的是，CHMM的模型参数包括协方差矩阵集合、状态概率矢量和状态转移概率矩阵；本实施例中，为了将S-CSI随时间变化的过程建模为CHMM中的隐过程，将接收信号统计特性的时变过程建模为CHMM的观测过程，本实施例中，初始化的CHMM的模型参数中，协方差矩阵集合由各聚类类别的协方差矩阵构成；另两个模型参数，即状态概率矢量和状态转移概率矩阵则可随机初始化。
分别以Σ、π和A表示协方差矩阵集合、状态概率矢量和状态转移概率矩阵，则初始的Σ、π和A分别如下：
Σ＝(Σ1,Σ2,...,Σs)
其中，Σi表示第i个聚类类别的协方差矩阵，其计算表达式为：ni表示第i个聚类类别中元素的数量，yr表示该聚类类别中的第r个接收向量，/>表示yr的共轭转置，IM表示单位矩阵。
状态概率矢量π为：
π＝(π1,π2,...,πs)
其中，πi＝P(q1＝θi)表示1时刻包含所有用户信道的信道矩阵的统计信道状态为θi的概率，θi是隐状态序列中的第i个元素，1≤i≤s；π的随机生成需要满足概率约束
状态转移概率矩阵A为：
A＝(aij)s×s
其中，aij＝P(qt+1＝θj|qt＝θi)表示用户的信道的统计状态在t时刻为θi而在t+1时刻转移至θj的概率，θi和θj分别表示隐状态序列中的第i个和第j个元素，1≤i,j≤s；A的随机生成需要满足如下概率约束：
本实施例的步骤(S4)包括：对CHMM的模型参数进行迭代更新，并根据迭代更新后的模型参数求解各时刻的隐状态，得到隐状态序列。
可选地，本实施例的步骤(S4)中，对CHMM的模型参数进行迭代更新时，使用Baum-Welch算法，具体过程如下：
(S41)定义辅助变量γt(i)为：
(S42)定义辅助变量εt(i,j)为：
(S43)模型参数由λ(r)＝{π(r),A(r),Σ(r)}迭代至λ(r+1)＝{π(r+1),A(r+1),Σ(r+1)}的过程由如下表达式完成：
(S44)重复迭代，至达到预设的最大迭代次数η。
本实施例通过Baum-Welch算法对CHMM的模型参数进行更新，能够使模型参数逐步收敛至逼近真实值。
可选地，本实施例的步骤(S4)中，根据迭代更新后的模型参数求解各时刻的隐状态时，采用维特比算法，具体过程如下：
(S41')将t时刻观测值yt对应的隐状态为θi的概率最大值定义为
(S42')t+1时刻的观测值yt+1对应的隐状态为θj的概率最大值应为
其中，bj(yt+1)表示t+1时刻信道统计状态为θj时，接收信号为yt+1的概率；
(S43')依据概率最大路径即可确定隐状态序列Q，其中包括各时刻的隐状态序列。
本实施例利用维特比算法可以根据迭代更新后的模型参数较为准确地计算得到隐状态序列。
本实施例的步骤(S5)包括：根据隐状态序列计算各时刻用户的S-CSI，得到S-CSI序列；
其中，对于任意t时刻，记该时刻用户的S-CSI为zt，则zt的计算方式包括：根据t时刻的隐状态qt确定对应的协方差矩阵提取其对角线元素/>根据预先确定的/>与zt间的对应关系计算zt；
本实施例中，预先确定的与zt间的对应关系为：
其中，Ptotal表示小区内用户的发射功率矢量，σn表示白噪声信号的标准差，其在各S-CSI下保持不变，因此可预先标定；最终得到的S-CSI序列可记为Z＝(z1,...,zL)。
总的来说，本实施例将S-CSI随时间变化的过程建模为CHMM中的隐过程，将接收信号统计特性的时变过程建模为CHMM的观测过程。通过Baum-Welch算法，迭代更新CHMM的参数，再利用维特比算法，解码出观测序列对应的隐状态序列，最后根据隐状态与S-CSI之间的关系求解出S-CSI序列。为了解决模型性能受初始参数影响严重的问题，提出了一种基于半监督聚类的模型初始化方法。借助少量已知S-CSI的样本对观测序列进行聚类，根据聚类结果确定CHMM的隐状态数和初始参数，有效地避免了模型陷入局部最优。该方法的估计性能好于现有的基于信道广义平稳假设的S-CSI估计方法，在高信噪比下，该方法有着较高的性能上限，可以实现对于S-CSI的准确估计。
以下结合具体的实验数据对本实施例所能取得的有益效果做进一步的解释说明。
本实施例以S-CSI的估计均方误差(MSE)为性能衡量标准，定义为：
其中，是第j次重复实验中接收信号yt对应的S-CSI的真实值，/>是其估计值，ζ是蒙特卡罗重复试验次数，本实施例中ζ＝3000。
本实施例中设定连续的隐马尔可夫模型(CHMM)更新阈值ρ＝10-6，最大更新次数η＝100；
图3展示了不同接收信噪比下观测序列的长度L对CHMM性能的影响。设定基站天线数量M＝128，用户数量N＝16。显然，随着观测序列长度的增加，CHMM的估计误差呈下降趋势。这是因为如果CHMM可以获得更多的学习样本，那么基于半监督聚类的模型初始化算法输出的模型初始值与真实值会更加接近，通过Baum-Welch算法迭代更新出的模型参数也会更加准确。以模型参数中的状态转移矩阵A为例，基于少量样本数据得到的状态转移概率仅能反映出样本中隐状态转移的频率，但如果样本数量增加，A中的隐状态转移概率将逼近真实值。对于一个原先无法正确估计的观测序列Y，如果适当增加观测序列长度，补充后续时刻的样本，有可能得到对Y的正确估计。但同时也需要注意，当观测序列的长度L增加到一定程度后，继续增加并不能显著提升估计性能，反而会带来难以接受的计算复杂度，因为CHMM参数估计的计算复杂度是O(LN2)，与观测序列长度成正比。
图4对比了随机选取模型初值和使用基于半监督聚类的模型初始化算法对模型估计性能的影响。设定基站天线数量M＝128，用户数量N＝16，观测序列长度L＝20。随着接收信噪比的提升，两种参数初始化方法的估计误差都有所下降，但基于半监督聚类的算法的估计性能始终好于随机选取模型初值。从CHMM参数更新所需的迭代次数来看，如图5所示，基于半监督聚类的方法使得模型收敛速度更快，这是因为基于半监督聚类的模型初始化算法输出的模型初值更接近于真实值，能够避免模型陷入局部最优。
图3～图5所示结果显示，本实施例所提供的S-CSI估计方法，能够准确完成大规模MIMO通信系统中非平稳信道的统计信道状态信息(S-CSI)估计，有效提升大规模MIMO通信系统的性能。
实施例2：
一种面向大规模MIMO的模型驱动S-CSI估计设备，包括：
计算机可读存储介质，用于存储计算机程序；
以及处理器，用于读取计算机可读存储介质中存储的计算机程序，执行上述实施例1提供的面向大规模MIMO的模型驱动S-CSI估计方法。
实施例3：
一种基站，其搭载有上述实施例2提供的面向大规模MIMO的模型驱动S-CSI估计设备。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，包括：
(S1)获取已知S-CSI下的基站端接收信号，作为聚类辅助数据；
(S2)利用聚类辅助数据确定S_0个S-CSI对应的聚类中心，收集基站端L个时刻的接收信号，作为观测数据，根据S_0个聚类中心对观测数据进行聚类，得到S个聚类类别；S_0表示用户的S-CSI上限值，S≤S_0；L为预设正整数；
(S3)设置CHMM的隐状态数量为S，并初始化CHMM的模型参数；所述模型参数中，初始的协方差矩阵集合由各聚类类别的协方差矩阵构成；
(S4)对CHMM的模型参数进行迭代更新，并根据迭代更新后的模型参数求解各时刻的隐状态，得到隐状态序列；
(S5)根据所述隐状态序列计算各时刻用户的S-CSI，得到S-CSI序列；
其中，对于任意t时刻，记该时刻用户的S-CSI为zt，则zt的计算方式包括：根据t时刻的隐状态qt确定对应的协方差矩阵提取其对角线元素/>根据预先确定的/>与zt间的对应关系计算zt。
2.如权利要求1所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，所述步骤(S1)包括：
(S11)初始化S-CSI＝1；
(S12)令小区内用户的发射信号矢量为xt∈RN×1，根据当前S-CSI生成小区内用户到基站端的上行信道矩阵生成相应的接收信号为yt＝Htxt；M和N分别表示基站天线数量和小区内用户数量；/>表示第i个用户的信道矢量；
(S13)重复执行(S12)，生成当前S-CSI下的多个接收信号，作为当前S-CSI对应的聚类辅助数据；
(S14)若S-CSI的取值小于S_0，则将S-CSI的取值增加1后，转入步骤(S12)；否则，聚类辅助数据生成完成。
3.如权利要求2所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，所述步骤(S2)中，利用聚类辅助数据确定S_0个S-CSI对应的聚类中心，包括：对于每一个S-CSI，执行以下步骤：
确定当前S-CSI对应的聚类辅助数据和观测数据，以其中的接收信号为图的顶点，构造带权的完全图；所述带权的完全图中，任意两顶点之间的权值为对应接收信号间的欧式距离；
构造所述带权的完全图的最小生成树，计算所述最小生成树中各顶点的均值，作为当前S-CSI对应的聚类中心。
4.如权利要求3所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，所述步骤(S2)包括：
(S21)利用聚类辅助数据确定S_0个S-CSI对应的聚类中心；
(S22)根据当前确定的S_0个聚类中心对观测数据进行初步聚类，将观测数据划分为多个聚类类别；
(S23)重复执行步骤(S21)～(S22)，直至聚类所得聚类类别不再发生变化。
5.如权利要求4所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，所述步骤(S22)中，根据当前确定的S_0个聚类中心对观测数据进行初步聚类时，采用K-Means聚类。
6.如权利要求1～5任一项所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，预先确定的与zt间的对应关系为：
其中，Ptotal表示小区内用户的发射功率矢量，σn表示白噪声信号的标准差。
7.如权利要求1～5任一项所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，所述步骤(S4)中，采用Baum-Welch算法迭代更新CHMM的模型参数。
8.如权利要求1～5任一项所述的面向大规模MIMO的模型驱动S-CSI估计方法，其特征在于，所述步骤(S4)中，根据迭代更新后的模型参数求解各时刻的隐状态时，采用维特比算法。
9.一种面向大规模MIMO的模型驱动S-CSI估计设备，其特征在于，包括：
计算机可读存储介质，用于存储计算机程序；
以及处理器，用于读取所述计算机可读存储介质中存储的计算机程序，执行权利要求1～8任一项所述的面向大规模MIMO的模型驱动S-CSI估计方法。
10.一种基站，其特征在于，搭载有权利要求9所述的面向大规模MIMO的模型驱动S-CSI估计设备。
CN202410148587.4A 2024-02-02 2024-02-02 面向大规模mimo的模型驱动s-csi估计方法、设备及基站 Pending CN118018367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410148587.4A CN118018367A (zh) 2024-02-02 2024-02-02 面向大规模mimo的模型驱动s-csi估计方法、设备及基站

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410148587.4A CN118018367A (zh) 2024-02-02 2024-02-02 面向大规模mimo的模型驱动s-csi估计方法、设备及基站

Publications (1)

Publication Number Publication Date
CN118018367A true CN118018367A (zh) 2024-05-10

Family

ID=90945905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410148587.4A Pending CN118018367A (zh) 2024-02-02 2024-02-02 面向大规模mimo的模型驱动s-csi估计方法、设备及基站

Country Status (1)

Country Link
CN (1) CN118018367A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118209953A (zh) * 2024-05-20 2024-06-18 北京理工大学前沿技术研究院 基于空间连续约束的场景杂波分割与分治检测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118209953A (zh) * 2024-05-20 2024-06-18 北京理工大学前沿技术研究院 基于空间连续约束的场景杂波分割与分治检测方法及装置

Similar Documents

Publication Publication Date Title
CN110912598B (zh) 基于长短时注意力机制的大规模mimo系统csi反馈方法
Cao et al. Lightweight convolutional neural networks for CSI feedback in massive MIMO
CN105790813B (zh) 一种大规模mimo下基于深度学习的码本选择方法
CN109474388B (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
CN118018367A (zh) 面向大规模mimo的模型驱动s-csi估计方法、设备及基站
CN111478749B (zh) 基于优化初值快收敛mimo迭代检测方法、系统及应用
CN112910811B (zh) 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置
CN114268388B (zh) 一种在大规模mimo中基于改进gan网络的信道估计方法
CN113315560B (zh) 一种紧凑型平面阵列Massive MIMO系统的波束赋形方法
CN110224728A (zh) 基于中断概率约束的多波束卫星通信系统鲁棒预编码方法
CN108199990B (zh) 一种非高斯噪声3d-mimo信道估计方法
CN116192307A (zh) 非高斯噪声下分布式协同的多天线协作频谱智能感知方法、系统、设备及介质
US9407339B2 (en) Monotonic optimization method for achieving the maximum weighted sum-rate in multicell downlink MISO systems
CN116155412A (zh) 无线信道评估方法及系统
CN114567358B (zh) 大规模mimo鲁棒wmmse预编码器及其深度学习设计方法
CN115473771A (zh) 一种基于模型演进的环境感知方法
Bai et al. Data-driven compressed sensing for massive wireless access
Du et al. SVM-assisted adaptive kernel power density clustering algorithm for millimeter wave channels
CN114268348A (zh) 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法
CN108834043B (zh) 基于先验知识的压缩感知多目标无源定位方法
Su et al. Channel estimation in massive MIMO systems using a modified Bayes-GMM method
CN114785433A (zh) 信道场景识别的方法、网络设备及存储介质
CN110912843A (zh) 大规模无线传感器网络中的分布式盲估计方法及系统
CN114157544B (zh) 基于卷积神经网络的帧同步方法、设备及介质
CN110912643B (zh) 一种基于机器学习的amp检测改进方法

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