CN108111441B - 基于变分贝叶斯推断的信道估计方法 - Google Patents
基于变分贝叶斯推断的信道估计方法 Download PDFInfo
- Publication number
- CN108111441B CN108111441B CN201810030602.XA CN201810030602A CN108111441B CN 108111441 B CN108111441 B CN 108111441B CN 201810030602 A CN201810030602 A CN 201810030602A CN 108111441 B CN108111441 B CN 108111441B
- Authority
- CN
- China
- Prior art keywords
- channel
- antenna
- distribution
- pilot
- channel estimation
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- 239000000969 carrier Substances 0.000 claims 1
- 238000009827 uniform distribution Methods 0.000 claims 1
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 abstract description 9
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 abstract description 9
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 abstract description 9
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2602—Signal structure
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Radio Transmission System (AREA)
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变分贝叶斯推断的信道估计方法。本发明的方法利用了大规模MIMO信道的稀疏结构与其结构的相似性,创新性地构建了大规模MIMO信道的稀疏模型(分层先验模型),引入概率事件来控制信道所在位置属于完全共有还是非完全共有,提出了基于变分贝叶斯推断的信道估计算法(简称Mixture_VBI),同时与OMP、ASSP、Geniu‑LS等信道估计方法相比,本发明提高了信道估计的准确性,在一定条件下,可使得信道估计误差达到10‑3。
Description
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变分贝叶斯推断的信道估计方法。
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,甚至超过信道的相干时间,使得信道估计失去意义。
压缩感知是一种全新的信号采样理论,它利用信号的稀疏性,在远小于奈奎斯特速率的情况下,用随机采样获取信号的离散样本,利用原始信号在某些基下面的稀疏的特性,将其投影到很少的测量下,通过非线性算法恢复原始的信号,因此压缩感知理论能够通过最少的测量保留最大的信号信息。稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)最初作为一种机器学习算法由微软研究院的Tipping于2001年提出,随后被引入到稀疏信号恢复领域(BCS)。
贝叶斯压缩感知是利用概率的方法,给信号增添稀疏先验,通过贝叶斯统计推断的方法,推导出信号恢复的算法。由于贝叶斯灵活度高,可以通过改变概率先验的形式,以适应多种不同的信号先验。贝叶斯框架提供了多种有用的推断方法,例如:ExpectationMaximization(EM)、Variational Expectation Maximization(VEM)、Maximal Likelihood(ML)、Variational Bayes Inference(VEM)。EM算法是Dempster,Laind,Rubin于1977年提出的求参数极大似然估计的一种方法,它可以从非完整数据集中对参数进行估计,是一种非常简单实用的学习算法。EM算法的主要目的是提供一个简单的迭代算法计算后验密度函数,它的最大优点是简单和稳定,但容易陷入局部最优。VEM算法是广义化的EM算法,最早是由BEAL M J.在其论文《Variational Algorithms for Approximate BayesianInference》里所提出的,主要应用于贝叶斯估计和机器学习领域中复杂的统计模型中。
大量实验研究表明,无线宽带信道具有延迟域(delay domain)的稀疏性,在大规模MIMO***中各发射天线和一个用户表现出非常相似的路径延迟值,即不同发射天线具有相似的稀疏路径。
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大规模MIMO信道的稀疏性以及相邻天线的稀疏结构的相似性,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以及***模型进行说明。
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。
改进的贝叶斯算法基于变分贝叶斯推断算法,变分贝叶斯推断算法是一种求解最大后验分布的算法,通过不断地迭代,得到样本已知的条件下的隐藏变量的均值与方差。
本发明基于大规模MIMO***,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,考虑OFDM(Orthogonal Frequency Division Multiplexing,正交频分复用)技术。
在发射端,有一个基站BS,每个BS为配置了Nt根天线的大规模天线阵,基站利用Nt根天线发送训练序列(非正交导频),本发明采用基于压缩感知理论的非正交导频设计,它允许不同发射天线的导频占据完全相同的子载波,并利用信道的稀疏特性,用于信道估计的导频数目可大大减少。而传统的正交导频设计基于经典的Nyquist采样定理,不同的发射天线的导频占据着不同的子载波,需要非常高的导频开销。
非正交导频的设计方案如下(以一个OFDM符号为例):
一个OFDM符号中子载波的数目为N,导频子载波的数目为Np,导频子载波的集合ξ从{1,2,…N}中选取,对所有的发射天线都相同。第n个发射天线的导频序列用符号Pn表示Nt个发射天线的导频由构成,服从[0,2π)的独立同分布均匀分布。导频子载波集合I(i)从集合{1,2,…N}中以间隔等距选取,其中本文取I0=1。
其中,①diag(Pn)表示把矢量Pn对角化;②是一个DFT矩阵,FL/ξ表示取F的前L列,按照ξ在F中取Np行,③Φn=diag(Pn)FL/ξ, ④当r=1时,hn,r化为hn,加性高斯白噪声表达式中,||h||2=Nt*L;噪声中每个元素都服从均值为0,方差为β-1的复高斯分布,β服从Gamma分布β~Gamma(a,b)。
本发明利用大规模MIMO***信道的稀疏性和稀疏结构的相似性,下面具体分析信道的这两个性质,并构建分层先验模型:
在下行链路中,第n个发射天线和用户接收天线之间的延迟域信道脉冲响应如下:
hn,r=[hn,r(1),hn,r(2),…hn,r(L)]T,1≤n≤Nt
其中r是OFDM符号在时域的标识,L是等效信道长度。有测量结果显示,不同发射天线和一个用户表现出非常相似的路径延迟值,即不同发射天线具有相似的稀疏路径,稀疏度用Ωr表示,support(hn,r)表示hn,r中稀疏支持数。
由于不同的发射天线具有相似的稀疏路径,利用各天线之间信道的稀疏结构的相似性,考虑稀疏信道的相似性体现在完全共有位置上。Nt根天线共享Ωc个稀疏度,称这Ωc个位置为完全共有位置,剩下Ω-Ωc个位置为非完全共有位置,各天线之间相互独立。一个OFDM符号中,基站和用户端信道表现出一定的稀疏特性,如图1所示,图1中等效信道长度L=15,稀疏度Ω=6,完全共有稀疏度Ωc=4,各天线非完全共有稀疏度Ωp=2,hn表示第n根天线和用户接收天线之间的延迟域信道脉冲响应,其中n∈[1,Nt]。
其中,hn,l代表的第l个位置的元素,zn,l决定天线上各位置为完全共有或非完全共有,zn,l=1表示第n根天线第l个位置为完全共有位置,zn,l=2表示第n根天线第l个位置为非完全共有位置,即对于zn,l可能发生两个事件:zn.l=1(事件1)或zn.l=2(事件2),且事件1和事件2为互斥事件,即其中分别表示发生事件1、事件2的概率。表达式1[zn.l=1]表征该位置为完全共有位置,发生事件1的概率为此时,hn,l所在位置是完全共有的,hn,l服从均值为0,方差为的复高斯分布,即同时αcl服从Gamma分布,即同理,表达式1[zn.l=2]表征该位置为非完全共有位置,发生事件2的概率为hn,l所在位置是非完全共有的,hn,l服从均值为0,方差为的复高斯分布,即同时αpn,l服从Gamma分布,即综上所诉,hn的概率分布模型如图2所示,且表达式如下:
基于上述稀疏结构的考虑,本发明提出了Mixture_VBI算法,可通过以下方案实现,实现步骤如下:
S1、初始化,具体为:
S13、若hn,l是完全共有的,服从均值为0,方差为的复高斯分布αcl=c0/d0;若hn,l是非完全共有的,服从均值为0,方差为αpn,l的复高斯分布噪声中每个元素都服从均值为0,方差为β-1的复高斯分布,β服从Gamma分布β~Gamma(a,b),β=a0/b0,其中a0,b0,c0,d0,e0,f0为初始化的参数,一般取值较小。
S2、过以下的步骤来实现变分贝叶斯算法的迭代:
S22、计算h的后验分布的均值u和方差∑:
S23、h后验分布的均值u作为估计值,更新完全共有参数αc1和非共有参数αpn,l,并计算<lnαcl>、<lnαpn,l>。
其中,un,l表示第n根天线的第l个位置信道增益的均值,∑n,l表示第n根天线的第l个位置信道增益的方差。
S25、更新噪声参数
S26、通过表达式||hn-hn-1|-|hn-1-hn-2||<||hn-hn-1|-|h1-h0||*Thr判决迭代是否收敛,若满足条件,则中止迭代,否则重复步骤S22~S25。
S3、输出大规模MIMO信道的均值和方差估计值,该均值估计值u即为大规模MIMO信道的最终估计结果。
本发明的有益效果是:与传统方法相比,本发明方法巧妙地利用了大规模MIMO信道的稀疏结构与其结构的相似性,创新性地构建了大规模MIMO信道的稀疏模型(分层先验模型),引入概率事件来控制信道所在位置属于完全共有还是非完全共有,提出了基于变分贝叶斯推断的信道估计算法(简称Mixture_VBI),同时与OMP、ASSP、Geniu-LS等信道估计方法相比,本发明提高了信道估计的准确性,在一定条件下,可使得信道估计误差达到10-3。
附图说明
图1是大规模MIMO信道的稀疏性示意图;
图2是大规模MIMO信道的***图;
图3本发明算法流程图;
图4本发明算法和普通BCS、理想BCS、OMP、ASSP、Geniu-LS算法在不同资源比例Np/N下的性能对比图;
图5本发明算法和普通BCS、理想BCS、OMP、ASSP、Geniu-LS算法在不同信噪比SNR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:
实施例
本例中发射方基站天线数设置为Nt=32,接收方为单用户,拥有一个接收天线,等效信道长度L=64,信道稀疏度s=10(稀疏结构为:完全共有位置数sc=6、非共有位置数sp=4),噪比SNR=20dB,子载波数N=4096。
图3大规模MIMO信道估计流程图,根据流程图,使用上述参数可对算法进行仿真。
S1、初始化,具体为:
S12、MS的接收信号为y=Φh+w,w为加性高斯白噪声,且有||h||2=Nt*L。
S2、过以下的步骤来实现基于变分贝叶斯推断的Mixture_VBI算法:
S21、设置最大迭代次数为Niter=100,迭代终止门限Thr=10-3,初始化zn,l为完全共有位置或非完全共有位置的可能性是相同的,即初始化各参数分别为a0=10-4,b0=10-6,c0=10-2,d0=10-6,e0=10-2,f0=10-6。
S22、计算h的后验分布的均值u和方差∑:
S23、h后验分布的均值u作为估计值,更新完全共有参数αc1和非共有参数αpn,l,并计算<lnαcl>、<lnαpn,l>。
S25、更新噪声参数
S26、通过表达式||hn-hn-1|-|hn-1-hn-2||<||hn-hn-1|-|h1-h0||*Thr判决迭代是否收敛,若满足条件,则中止迭代,否则重复步骤S22~S25。
S3、输出大规模MIMO信道的均值和方差估计值,该均值估计值u即为大规模MIMO信道的最终估计结果。
对应的ASSP方法中Pth设置为0.06,OMP方法中中截止迭代次数为400、门限epsilon设置为0.01
图4将本发明提出的Mixture_VBI算法,对比Naive-SBL(原始状态BCS)与Enhanced-SBL(理想状态BCS),以及Geniu-LS、ASSP、OMP、三种方法在不同长度的导频子载波数Np下,其中导频子载波数比例Np/N=0.1:0.05:0.3,测试100个随机信道的平均误差。从图中可以看出,本发明提出的Mixture_VBI算法估计信道的性能远远优于ASSP、OMP,且随着资源数的增多逼近理想算法;另外我们可以看到,在仅考虑完美信道模型下的Enhanced-SBL算法的性能较差,考虑原始状态的Naive-SBL算法性能与OMP相当。
图5将本发明提出的Mixture_VBI算法,对比Naive-SBL(原始状态BCS)与Enhanced-SBL(理想状态BCS),以及Geniu-LS、ASSP、OMP、三种方法在不同信噪比下,测试100个随机信道的平均误差。固定资源数Np=round(N*0.2),SNR变化范围SNR=[0:5:30]。从图中可以看出,随着信噪比的提高,本发明提出的算法逐渐提高并逼近理想算法Geniu-LS,而ASSP、Naive-SBL(原始状态BCS)与Enhanced-SBL(理想状态BCS)不能正常工作,虽然OMP在信噪比的增加下性能有所提高,但增加缓慢且性能与理想算法差距较大。
Claims (1)
1.基于变分贝叶斯推断的信道估计方法,包括:
发射端:
每个基站配置了Nt个天线的大规模天线阵,基站利用Nt个天线发送训练序列,所述训练序列为基于压缩感知理论的非正交导频,即允许不同发射天线的导频占据完全相同的子载波;则对于发送信号,设一个OFDM符号中子载波的数目为N,导频子载波的数目为Np,导频子载波的集合ξ从{1,2,…N}中选取,对所有的发射天线都相同,第n个发射天线的导频序列用符号Pn表示,Nt个发射天线的导频由构成,服从[0,2π)的独立同分布均匀分布,导频子载波集合为I(i)从集合{1,2,…N}中以间隔等距选取,其中
基站向用户广播导频信号将导频信号P转化为压缩感知测量矩阵,用符号Φ表示,有Φn=diag(Pn)FL/ξ,其中,diag(Pn)表示把矢量Pn对角化;是一个DFT矩阵,FL/ξ表示取F的前L列,按照ξ在F中取Np行,
接收端:向量
设定用户有单个接收天线,接收信号为:
y=Φh+w
其特征在于,接收端对信道的估计方法包括以下步骤:
S1、根据大规模MIMO***相邻信道的稀疏性和稀疏结构的相似性,构建先验模型,具体为:
由于相邻的发射天线具有相似的稀疏路径,利用各天线之间信道的稀疏结构的相似性,设定稀疏度为Ω,Nt根天线共享Ωc个稀疏度,称这Ωc个位置为完全共有位置;剩下Ω-Ωc个位置为非完全共有位置,各天线之间相互独立;采用hn表示第n根天线和用户接收天线之间的延迟域信道脉冲响应,其中n∈[1,Nt];h的概率分布模型为:
其中hn,l代表的第l个位置的元素,zn,l决定天线上各位置为完全共有或非完全共有,并采用1[zn,l=1]表示第n根天线第l个位置为完全共有位置,发生概率为hn,l所在位置是完全共有的,hn,l服从均值为0,方差为的复高斯分布,即同时αc服从Gamma分布,即αcl=c0/d0;采用表征该位置为非完全共有位置,发生概率为hn,l所在位置是非完全共有的,hn,l服从均值为0,方差为的复高斯分布,即同时αp服从Gamma分布,即αpn,l=e0/f0;噪声中每个元素都服从均值为0,方差为β-1的复高斯分布,β服从Gamma分布β~Gamma(a,b),β=a0/b0,其中a0,b0,c0,d0,e0,f0为初始化的参数;则hn的概率分布模型为:
S2、给定初始值:
S3、采用如下公式获得信道h的后验分布的均值u和方差∑:
∑=(<β>φHφ+Dc+Dp)-1
u=<β>∑φHy
S4、将h后验分布的均值u作为估计值,更新完全共有参数αc1和非共有参数αpn,l,并计算<lnαcl>、<lnαpn,l>:
其中,ηcn,l=lnαcl-<αcl||hn,l||2>,ηpn,l=<lnαpn,l>;
S6、通过表达式||hn-hn-1|-|hn-1-hn-2||<||hn-hn-1|-|h1-h0||*Thr判决迭代是否收敛,若满足条件,则中止迭代,将h后验分布的均值u作为估计值并进入步骤S7,否则重复步骤S3~S5;
S7、输出信道的均值和方差估计值,该均值估计值u即为大规模MIMO信道的最终估计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030602.XA CN108111441B (zh) | 2018-01-12 | 2018-01-12 | 基于变分贝叶斯推断的信道估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810030602.XA CN108111441B (zh) | 2018-01-12 | 2018-01-12 | 基于变分贝叶斯推断的信道估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108111441A CN108111441A (zh) | 2018-06-01 |
CN108111441B true CN108111441B (zh) | 2020-07-31 |
Family
ID=62220058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810030602.XA Expired - Fee Related CN108111441B (zh) | 2018-01-12 | 2018-01-12 | 基于变分贝叶斯推断的信道估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108111441B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900455B (zh) * | 2018-07-02 | 2021-01-12 | 深圳大学 | 一种基于稀疏贝叶斯学习的载波频偏处理方法及*** |
CN108965174B (zh) * | 2018-07-10 | 2021-06-08 | 电子科技大学 | 大规模mimo***上行链路的联合信道估计和数据解调方法 |
CN108965172B (zh) * | 2018-07-10 | 2021-06-08 | 电子科技大学 | 带有相位噪声的大规模mimo***上行链路信道估计方法 |
CN108768480B (zh) * | 2018-07-10 | 2021-01-22 | 电子科技大学 | 带有相位噪声的大规模mimo***上行链路数据估计方法 |
CN109150775B (zh) * | 2018-08-14 | 2020-03-17 | 西安交通大学 | 自适应噪声环境动态变化的鲁棒性在线信道状态估计方法 |
CN108696465A (zh) * | 2018-09-07 | 2018-10-23 | 电子科技大学 | 带有双端相位噪声的大规模mimo***上行链路信道估计方法 |
CN109150260B (zh) * | 2018-09-07 | 2021-05-14 | 电子科技大学 | 带有双端相位噪声的大规模mimo***上行链路数据估计方法 |
CN109768943A (zh) * | 2019-03-05 | 2019-05-17 | 北京邮电大学 | 宽带多用户毫米波***中基于变分贝叶斯学习的信道估计方法 |
CN110336761B (zh) * | 2019-07-12 | 2021-04-02 | 电子科技大学 | 毫米波大规模mimo***的波束空间信道估计方法 |
CN110649953B (zh) * | 2019-08-19 | 2022-11-18 | 江苏大学 | 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 |
CN111666688B (zh) * | 2020-06-09 | 2023-03-31 | 太原科技大学 | 一种修正的角度失配结合稀疏贝叶斯学习的信道估计算法 |
CN113114309B (zh) * | 2021-03-22 | 2022-02-11 | 南京航空航天大学 | 一种增强的基于信道硬化现象的消息传播方法 |
CN115361257A (zh) * | 2022-07-14 | 2022-11-18 | 鹏城实验室 | 上行大规模mimo稀疏信道估计方法及相关设备 |
CN116032699B (zh) * | 2022-12-28 | 2024-05-14 | 鹏城实验室 | 一种面向超大规模mimo***的稀疏信道估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821071A (zh) * | 2012-08-24 | 2012-12-12 | 电子科技大学 | Ofdm***的信道和噪声方差联合估计方法 |
CN105119853A (zh) * | 2015-08-25 | 2015-12-02 | 电子科技大学 | 一种基于贝叶斯方法的多用户大规模mimo信道估计方法 |
CN106453163A (zh) * | 2016-10-11 | 2017-02-22 | 电子科技大学 | 一种Masssive MIMO信道估计方法 |
CN106656874A (zh) * | 2017-01-10 | 2017-05-10 | 河海大学 | 一种基于压缩感知的移动ofdm***信道估计方法 |
CN107086970A (zh) * | 2017-04-18 | 2017-08-22 | 电子科技大学 | 基于贝叶斯算法的信道估计方法 |
CN107370693A (zh) * | 2017-08-07 | 2017-11-21 | 电子科技大学 | 大规模mimo***和dp先验下多用户信道估计方法 |
CN107566303A (zh) * | 2017-07-27 | 2018-01-09 | 东华大学 | 一种基于贝叶斯压缩感知的毫米波信道估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120224498A1 (en) * | 2011-03-04 | 2012-09-06 | Qualcomm Incorporated | Bayesian platform for channel estimation |
-
2018
- 2018-01-12 CN CN201810030602.XA patent/CN108111441B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102821071A (zh) * | 2012-08-24 | 2012-12-12 | 电子科技大学 | Ofdm***的信道和噪声方差联合估计方法 |
CN105119853A (zh) * | 2015-08-25 | 2015-12-02 | 电子科技大学 | 一种基于贝叶斯方法的多用户大规模mimo信道估计方法 |
CN106453163A (zh) * | 2016-10-11 | 2017-02-22 | 电子科技大学 | 一种Masssive MIMO信道估计方法 |
CN106656874A (zh) * | 2017-01-10 | 2017-05-10 | 河海大学 | 一种基于压缩感知的移动ofdm***信道估计方法 |
CN107086970A (zh) * | 2017-04-18 | 2017-08-22 | 电子科技大学 | 基于贝叶斯算法的信道估计方法 |
CN107566303A (zh) * | 2017-07-27 | 2018-01-09 | 东华大学 | 一种基于贝叶斯压缩感知的毫米波信道估计方法 |
CN107370693A (zh) * | 2017-08-07 | 2017-11-21 | 电子科技大学 | 大规模mimo***和dp先验下多用户信道估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108111441A (zh) | 2018-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108111441B (zh) | 基于变分贝叶斯推断的信道估计方法 | |
CN108259398B (zh) | 基于变分贝叶斯推断的复杂混合模型的信道估计方法 | |
CN108832976B (zh) | 一种大规模mimo***的上行链路信道估计方法 | |
CN109560841B (zh) | 基于改进的分布式压缩感知算法的大规模mimo***信道估计方法 | |
TWI463823B (zh) | 相關性衰落通道的模型基礎通道估計器和通道估計方法 | |
CN108599820B (zh) | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo***信道估计方法 | |
CN107276646B (zh) | 大规模mimo-ofdm上行链路迭代检测方法 | |
CN103634816A (zh) | 多小区大规模mimo基于导频污染的干扰消除方法 | |
CN107359906B (zh) | 低压电力线通信***中脉冲噪声的抑制方法 | |
Ge et al. | Compression-based LMMSE channel estimation with adaptive sparsity for massive MIMO in 5G systems | |
CN108259397B (zh) | 基于自适应正则化子空间追踪压缩感知算法的大规模mimo***信道估计方法 | |
CN108365874B (zh) | 基于fdd大规模mimo贝叶斯压缩感知信道估计方法 | |
CN108512787A (zh) | 大规模mimo***的超精细信道估计方法 | |
US20130003802A1 (en) | Noise estimation filter | |
WO2018049544A1 (zh) | 一种ofdm***中频偏估计方法、装置及*** | |
CN110971547B (zh) | 一种基于毫米波/太赫兹的宽带大规模终端检测和信道估计方法 | |
CN112003801B (zh) | 一种信道冲击响应与脉冲噪声联合估计方法、***及设备 | |
CN111865843A (zh) | 大规模mimo-ofdm***混合消息传递信道估计方法 | |
Hsu et al. | Low-complexity ICI mitigation methods for high-mobility SISO/MIMO-OFDM systems | |
CN108199990B (zh) | 一种非高斯噪声3d-mimo信道估计方法 | |
WO2016023321A1 (zh) | 一种大规模mimo***中基于相干时间的导频分配方法 | |
CN101018219A (zh) | 一种空频信号处理方法 | |
Bhoyar et al. | Leaky least mean square (LLMS) algorithm for channel estimation in BPSK-QPSK-PSK MIMO-OFDM system | |
CN113055061B (zh) | 一种大规模mimo***的低复杂度预编码方法 | |
CN111082837B (zh) | 基于递归压缩感知的电力线通信***脉冲噪声抑制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |