CN107086970B - 基于贝叶斯算法的信道估计方法 - Google Patents

Abstract

本发明属于无线通信技术领域，具体的说是涉及一种基于贝叶斯算法的信道估计方法。本发明方法用联合的贝叶斯估计算法来计算共同稀疏位置的共用方差参数，与普通的贝叶斯估计方差参数相比，估计方差的准确性大大提高，同时用GAMP算法代替贝叶斯算法避免了对的后验概率直接矩阵求逆的过程。本发明的有益效果是：与传统方法相比，本发明简化了运算量，提高了运算速度和运算精度，提高了信道估计的准确性。

Description

基于贝叶斯算法的信道估计方法

技术领域

本发明属于无线通信技术领域，具体的说是涉及一种基于贝叶斯算法的信道估计方法。

背景技术

大规模MIMO(Multiple Input Multiple Output，多输入多输出)***是第五代移动通信***的关键技术之一，其主要优势在于：***容量随着天线数量增加而增加；降低发送信号功率；简单的线性预编码器与检测器即可达到最优性能；信道之间趋于正交化，因此消除了小区内同道干扰。实现这些优势的前提是基站(BS)知晓信道状态信息(CSIT)。在时分双工(TDD)***中，利用上下行信道的互易性在用户端(MS)进行信道估计。对于FDD大规模MIMO***，其信道估计的流程为：基站向各用户广播导频信号，移动用户利用接收信号估计CSIT然后反馈回基站。这种情况下，导频信号数与基站天线数成正比，由于在大规模MIMO***中，天线数量巨大，常规的信道估计方法(如最小二乘法)将面临巨大的训练开销，使得训练时间变长，甚至超过信道的想干时间，使得信道估计失去意义。

发明内容

本发明的目的是提出一种基于贝叶斯算法的信道估计方法。本发明主要利用压缩感知原理和多任务信道的共同稀疏位置，在贝叶斯算法的基础上提出一种改进的贝叶斯算法，以此提高信道估计的精确度。

为了便于本领域内技术人员对本发明技术方案的理解，首先对本发明采用的压缩感知原理和贝叶斯算法进行说明。

大规模MIMO多任务信道估计***模型：

假设需要估计的信道是平坦块衰落的，即在某段时间内信道状态不变。

***有一个基站BS，每个BS为配置了M个天线的大规模天线阵。FDD大规模MIMO多任务信道估计的数学模型可以表示为R_p＝Φ_pH_p+W_p，其中，P表示多任务信道的总任务数，R_p表示第p个任务的接收信号矩阵，H_p表示BS与MS之间的第p个任务的信道矩阵，Φ_p为第P个任务的测量矩阵，W_p为第p个任务的接收噪声信号矩阵。

标准压缩感知数学模型：

y＝Αx+n，其中，Α是大小为n×m的感知矩阵，y为n×1维压缩信号，x为m×1维的稀疏信号，其稀疏度为k，即x中只有k＜＜m个元素非零，其余元素全部为0，n是n×1维的***噪声且其元素服从均值为0，方差为σ²的高斯分布。

改进的贝叶斯算法通过最大化边缘似然函数，得到信道参数和噪声参数的更新公式，利用得到的参数值来更新信道的均值和方差估计值，迭代更新信道参数和噪声参数和信道的均值和方差信息，直到达到信道估计要求。

通过得到信道参数α和噪声β，即G代表训练开销的长度，也是接收信号R_p的维度

在大规模天线阵中，信道的列向量具有相同稀疏支持集合，即信道的不同任务间的稀疏位置完全相同，且相同稀疏位置服从相同的复高斯分布。将P个任务信道H_p的共同稀疏支持集合表示为Ω＝Ω_p,p＝1,…P。

本发明的技术方案是：

基于贝叶斯算法的信道估计方法，包括：

发射端：

基站用G个时隙向用户端广播G个多任务导频信号：H＝[H₁,H₂,...,H_p]∈C^M×P；其中，P表示多任务信道的总任务数，M为天线个数，H_p＝[h₁,h₂,...,h_M]^T，且多任务信道H_p之间具有相同的稀疏特性；

接收端：

接收端根据导频信号和任务信道获得接收信号R，令对P个任务的接收信号矩阵表示为：R＝[R₁,R₂,…R_p]∈C^G×P；其中，R_p表示第p个任务的接收信号矩阵，p＝1,2,...,P；其特征在于，接收端对信道的估计方法包括以下步骤：

S1、设定置P个任务信号稀疏支持的迭代控制变量ε和最大迭代次数N；

S2、给定初始值：

信道H的第m行元素H_m符合均值为0，方差为的相同复高斯分布；为信道H的M行元素服从的方差分布；噪声W＝[W₁,W₂,…W_P]，W_p为第p个任务的接收噪声信号矩阵，所有元素服从均值为0，方差为的复高斯分布；

S3、采用如下公式1和公式2分别获得信道H的后验概率方差Σ_p和均值u_p：

其中，表示Φ_p的共轭转置，A＝diag(α₁,α₂,…α_M)表示方差α的对角化；由于矩阵求逆需要较高的计算复杂度，所以实际估计时用GAMP算法(Generalized ApproximateMessage Passing)来降低求逆的复杂度；

S4、采用如下公式3和公式4更新信道参数α_m和噪声参数β：

其中，u_p(m)表示稀疏信道H第p个矢量H_p的第m个位置元素的均值，Σ_p(m)表示稀疏信道H第p个矢量H_p的第m个位置元素的方差；表示稀疏信号的均值，表示稀疏信号的方差；

S5、迭代步骤S3和步骤S4直至满足迭代控制变量ε或最大迭代次数N后，结束循环并进入步骤S6；

S6、输出各任务信道的均值和方差估计值，获得的均值估计值u＝[u₁,u₂,…u_P]即为多任务信道的最终估计结果。

本发明方法用联合的贝叶斯估计算法来计算共同稀疏位置的共用方差参数α_m，与普通的贝叶斯估计方差参数α_m相比，估计方差的准确性大大提高，同时用GAMP算法代替贝叶斯算法避免了对H的后验概率直接矩阵求逆的过程。

本发明的有益效果是：与传统方法相比，本发明简化了运算量，提高了运算速度和运算精度，提高了信道估计的准确性。

附图说明

图1是多用户大规模MIMO信道联合稀疏性示意图；

图2是本发明算法流程图；

图3是本发明算法和普通BCS、DSAMP、MT-BCS算法在不同开销G下的性能对比图；

图4是本发明算法和普通BCS、DSAMP、MT-BCS算法在不同稀疏度K下的性能对比图。

具体实施方式

下面结合具体附图和实施例，对本发明作进一步地详细描述：

图1为多任务大规模MIMO信道示意图。

假设多任务数P＝3，基站天线数M＝50,信噪比SNR＝20dB。在不同开销G下的性能对比图中，G取6、8、10、12、14、16，稀疏度K取4。在不同稀疏度K下的性能对比图中，G取8，K取2、3、4、5、6。

实施例

图2为多用户大规模MIMO信道估计流程图，根据流程图，以上述参数为例，本例具体包括：

S1、初始化，具体为：

S11、BS用G个时隙向用户端广播G个多任务导频信号H＝[H₁,H₂,H₃]∈C^50×3，在稀疏其中H_p＝[h₁,h₂,...,h₅₀]^T，多任务信道H_p之间具有相同的稀疏特性。

S12、用户端对多任务的接收信号矩阵为R＝[R₁,R₂,R₃]其中，R_p表示第p个任务的接收信号矩阵，p＝1,2,3。

S2、多任务稀疏支持联合估计，即利用贝叶斯算法联合估计多任务信号，得到各位置元素服从的均值u_p(m)和方差Σ_p(m)。具体的迭代估计算法如下：

S21、设置P个任务信号稀疏支持的迭代控制变量ε＝10^-3和最大迭代次数N＝20；

S22、给定初始值：

信道H的第m行元素H_m符合均值为0，方差为的相同复高斯分；初始值α₁＝100，α₂＝100，…α_M＝100为信道H的M行元素服从的方差分布；噪声W＝[W₁,W₂,…W_P]，所有元素服从均值为0，方差为的复高斯分布，其中Pn是根据信噪比SNR得到的噪声方差。

S33、由改进的贝叶斯推理算法，得到信道H的后验概率方差Σ_p和均值u_p的更新公式：其中表示Φ_p的共轭转置，A＝diag(α₁,α₂,…α_M)表示方差α的对角化。由于矩阵求逆需要较高的计算复杂度，所以实际估计时用GAMP算法(Generalized Approximate Message Passing)来降低求逆的复杂度。

S34、由期望最大化算法更新信道参数α_m和噪声参数β，更新公式如下：

其中，u_p(m)表示稀疏信道H第p个矢量H_p的第m个位置元素的均值，Σ_p(m)表示稀疏信道H第p个矢量H_p的第m个位置元素的方差；表示稀疏信号的均值，表示稀疏信号的方差。

S35、迭代S33和S34步直到满足迭代控制变量ε或最大迭代次数N，结束循环。

S4、输出各任务信道的均值和方差估计值，该均值估计值u＝[u₁,u₂,…u_P]即为多任务信道的最终估计结果。

图3是本发明算法应用于多任务大规模MIMO信道估计时的性能与其他稀疏信号恢复算法应用于相同信道估计时对于不同开销G的性能对比图。从图中可以看出，本发明的算法在基站端发送10次导频信号的时候就达到了最优性能，与普通BCS、DSAMP、MT-BCS算法相比，本算法估计性能已经接近理想情况下的估计性能。其余算法要达到最优性能需要基站发送更多的导频信号。通过对比，说明了本发明的算法在减少多任务大规模MIMO信道估计开销方面具有明显的优势，使得大规模MIMO信道估计在实际中的实现变得可能。

图4是本发明算法应用于多用户大规模MIMO信道估计时的性能与其他稀疏信号恢复算法应用于相同信道估计时对于不同稀疏度K的性能对比图。说明了本发明在不同稀疏度K的环境下性能表现一致。可以在不同稀疏度K下得出与图3相同的结论。

Claims (1)

1.基于贝叶斯算法的信道估计方法，包括：

发射端：

基站用G个时隙向用户端广播G个多任务导频信号：H＝[H₁,H₂,...,H_p]∈C^M×P；其中，P表示多任务信道的总任务数，M为天线个数，H_p＝[h₁,h₂,...,h_M]^T，且多任务信道H_p之间具有相同的稀疏特性；

接收端：

接收端根据导频信号和任务信道获得接收信号R，令对P个任务的接收信号矩阵表示为：R＝[R₁,R₂,…R_p]∈C^G×P；其中，R_p表示第p个任务的接收信号矩阵，p＝1,2,...,P；其特征在于，接收端对信道的估计方法包括以下步骤：

S1、设置P个任务信号稀疏支持的迭代控制变量ε和最大迭代次数N；

S2、给定初始值：

信道H的第m行元素H_m符合均值为0，方差为的相同复高斯分布；为信道H的M行元素服从的方差分布；噪声W＝[W₁,W₂,…W_P]，W_p为第p个任务的接收噪声信号矩阵，所有元素服从均值为0，方差为的复高斯分布；

S3、采用如下公式1和公式2分别获得信道H的后验概率方差Σ_p和均值u_p：

其中，Φ_p为第P个任务的测量矩阵，表示Φ_p的共轭转置，A＝diag(α₁,α₂,…α_M)表示方差α的对角化；

S4、采用如下公式3和公式4更新信道参数α_m和噪声参数β：

其中，u_p(m)表示稀疏信道H第p个矢量H_p的第m个位置元素的均值，Σ_p(m)表示稀疏信道H第p个矢量H_p的第m个位置元素的方差；表示稀疏信号的均值，表示稀疏信号的方差；

S5、迭代步骤S3和步骤S4直至满足迭代控制变量ε或最大迭代次数N后，结束循环并进入步骤S6；

S6、输出各任务信道的均值和方差估计值，获得的均值估计值u＝[u₁,u₂,…u_P]即为多任务信道的最终估计结果。