CN112104579A

CN112104579A - 基于模型约束的信道估计方法、***、设备及存储介质

Info

Publication number: CN112104579A
Application number: CN202010864778.2A
Authority: CN
Inventors: 张国梅; 朱瑞芳; 任品毅; 李国兵
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2020-08-25
Filing date: 2020-08-25
Publication date: 2020-12-18
Anticipated expiration: 2040-08-25
Also published as: CN112104579B

Abstract

本发明属于信号处理技术领域，公开了一种基于模型约束的信道估计方法、***、设备及存储介质，包括以下步骤：获取导频信号以及导频信号经过通信信道传输后的接收信号；根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵；以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，第二均方误差为初始信道矩阵与模型信道矩阵的均方误差；依次以振幅参数、模型信道矩阵及信道矩阵为待优化参数，迭代求解目标函数至达到预设迭代次数，得到最终的信道矩阵。通过信道模型约束从接收的量化后导频信号来挖掘信道信息，从而实现信道估计精度性能的提升。

Description

基于模型约束的信道估计方法、***、设备及存储介质

技术领域

本发明属于信号处理技术领域，涉及一种基于模型约束的信道估计方法、***、设备及存储介质。

背景技术

大规模多输入多输出(MIMO)技术是在基站部署成百上千根天线的大规模天线阵列，在同一时频资源上服务更多的用户，以此来极大提高频谱效率。但是，当基站采用128根天线时，所使用的硬件造价已达数百万人民币，极大增加了***部署成本。另一方面，大量的天线对应大量的射频链路，使得基站接收***的功耗显著增加。其中，上行链路的接收机功耗包括由模数转换器(ADC)处理单元功耗和基带数字处理单元功耗两个方面，其中，ADC的功耗正比于采样速率和量化间隔；而基带数字处理的数据量又由ADC的采样频率和量化比特数来决定。因此，基站端ADC的指标选取将直接决定大规模MIMO***总的功率消耗。除此之外，ADC精度越低基带数据处理压力越小，并且单比特ADC无需自动增益控制和线性放大器，能够用简单的比较器实现，价格可大幅度降低。所以，在大规模MIMO***中采用单比特ADC将会在很大程度上降低成本和能耗，符合当前绿色通信的要求。然而，使用低精度ADC对基站端射频输出的I路和Q路进行采样量化时，会造成接收信号中幅度信息和相位信息的丢失，从而导致上行信道估计和数据检测性能的严重损失。尤其在TDD***中，上行信道估计精度的大幅度下降，不仅会影响上行数据检测的性能，还会严重影响基于信道状态信息的下行传输策略的实施，从而极大降低下行传输链路的可靠性。因此，上行信道估计一直是低精度量化大规模MIMO***研究的热点。

目前，基于导频的上行信道估计方法在单精度大规模MIMO***中仍然应用广泛。基于此，有的学者研究了最小二乘信道估计方法在单比特大容量MIMO***中的应用，实验结果表明其估计精度很低。还有学者提出了一种基于回溯线性搜索算法的最大似然估计方法，以极高的计算复杂度为代价，换取了一定程度上估计精度的提高。还有学者基于单精度毫米波MIMO***信道矩阵的稀疏特性，提出了一种改进的期望最大(EM)信道估计方法。还有学者提出了一种近似最大似然(nML)信道估计器，相比于EM估计器具有更好的估计质量且能更好地支持高阶星座。然而，上述这些信道估计方法大多涉及迭代更新过程，估计精度难以定量分析。为解决这一问题，李永志学者先利用Bussgang分解方法将非线性量化器转化为一个线性函数，然后利用线性最小均方误差(LMMSE)估计器来实现更高质量的信道估计。然而，该方法不能有效地降低量化噪声的影响，并且具有较高的均方误差(MSE)下限。

现在，许多研究工作采用了Bussgang分解原理来解决单精度***中的信道估计问题。但实验结果显示，基于Bussgang分解的信道估计方法基本都存在一个明显的“反弹”现象，即信道估计MSE随信噪比的增大先降低，到达某个拐点后MSE反而随着SNR增大而升高，并最终趋于一个稳定值，这正是Bussgang分解方法在背景噪声不显著时，对量化误差建模不准确所造成的现象。

由此可见，现有的信道估计方法并不能获得较高的估计精度，估计性能还存在较大的提升空间。

发明内容

本发明的目的在于克服上述现有技术中现有信道估计方法的估计精度较差的缺点，提供一种基于模型约束的信道估计方法、***、设备及存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种基于模型约束的信道估计方法，包括以下步骤：

S1：获取导频信号以及导频信号经过通信信道传输后的接收信号；

S2：根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵；

S3：以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；

其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，恢复接收信号为通过振幅参数恢复振幅后的接收信号，估计接收信号为通过信道矩阵及导频信号估计的量化前的接收信号；第二均方误差为初始信道矩阵与模型信道矩阵的均方误差；

S4：预设初始的信道矩阵及初始的模型信道矩阵，根据初始的信道矩阵及初始的模型信道矩阵求解目标函数，得到初始的振幅参数；

S5：依次以振幅参数、模型信道矩阵及信道矩阵为待优化参数，迭代求解目标函数至达到预设迭代次数，得到最终的信道矩阵。

本发明基于模型约束的信道估计方法进一步的改进在于：

所述预设的空间信道模型为：块衰落的Ray-based空间信道模型。

所述估计接收信号采用如下方式获得：将导频信号与信道矩阵相乘后添加上通信信道传输噪声，得到估计接收信号。

所述目标函数具体如下：

其中，R⊙Γ＝Re(R)ΘRe(Γ)+jIm(R)ΘIm(Γ)；N表示通信信道传输噪声；Θ表示矩阵中每个元素对应相乘；H为信道矩阵；R表示量化接收信号；X表示导频信号；

表示矩阵的F范数的平方；λ为常数；C₁(Θ,Ψ)G表示模型信道矩阵；Re(·)和Im(·)分别表示Γ的实部和虚部。

所述目标函数的约束中还包括信道范数约束：

以噪声功率的开方为方差并以0为均值生成复高斯随机变量矩阵，采用复高斯随机变量矩阵替代通信信道传输噪声。

所述S5的具体方法为：

定义振幅参数、模型信道矩阵及信道矩阵均进行一次优化为一次迭代，对于第i次迭代，具体步骤如下：

Q1：以第i-1次迭代得到的模型信道矩阵及信道矩阵为基础，求解目标函数，得到第i次迭代的振幅参数；

Q2：以第i-1次迭代得到的信道矩阵以及第i次迭代得到的振幅参数为基础，求解目标函数，得到第i次迭代的模型信道矩阵；

Q3：以第i次迭代得到的模型信道矩阵以及第i次迭代得到的振幅参数为基础，求解目标函数，得到第i次迭代的信道矩阵。

本发明第二方面，一种基于模型约束的信道估计***，包括：

信号获取模块，用于获取导频信号以及导频信号经过通信信道传输后的接收信号；

模型构建模块，用于根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵；

优化模块，用于以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，恢复接收信号为通过振幅参数恢复振幅后的接收信号，估计接收信号为通过信道矩阵及导频信号估计的量化前的接收信号；第二均方误差为初始信道矩阵与模型信道矩阵的均方误差；

初始优化模块，用于预设初始的信道矩阵及初始的模型信道矩阵，根据初始的信道矩阵及初始的模型信道矩阵求解目标函数，得到初始的振幅参数；以及

迭代优化模块，用于依次以振幅参数、模型信道矩阵及信道矩阵为待优化参数，迭代求解目标函数至达到预设迭代次数，得到最终的信道矩阵。

本发明第三方面，一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于模型约束的信道估计方法的步骤。

本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于模型约束的信道估计方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明基于模型约束的信道估计方法，通过根据通信信道中发送的导频信号和接收信号，并根据预先选择的信道模型建立模型信道矩阵，然后通过振幅参数恢复振幅后的接收信号得到恢复接收信号，通过信道矩阵及导频信号估计的量化前的接收信号得到估计接收信号，然后以恢复接收信号与估计接收信号的均方误差为第一均方误差，以初始信道矩阵与模型信道矩阵的均方误差为第二均方误差，以第一均方误差和第二均方误差之和最小为优化目标建立目标函数，通过迭代求解目标函数，实现振幅参数、模型信道矩阵及信道矩阵的迭代优化，通过信道模型约束从接收信号来挖掘信道信息，引入更多的关于信道矩阵结构的先验信息进行强制约束，从而实现信道估计性能精度的极大提升。

进一步的，以噪声功率的开方为方差并以0为均值生成复高斯随机变量矩阵，采用复高斯随机变量矩阵替代通信信道传输噪声，在接收信号偏差项中重构了白噪声项，提升了目标函数的准确度，从而进一步提高信道估计精度。

进一步的，提供了一种迭代式优化求解算法，推导了振幅参数、模型信道矩阵及信道矩阵的优化过程，便于目标函数的求解。

附图说明

图1为本发明一实施例中的基于模型约束的信道估计方法图；

图2为本发明一实施例中的单精度大规模MIMO上行传输***示意图；

图3为本发明一实施例中的各方案MSE随SNR的变化示意图；

图4为本发明一实施例中的本发明方案的MSE随λ变化的示意图；

图5为本发明一实施例中的不同λ下的MSE随SNR变化的示意图；

图6为本发明一实施例中的不同导频长度下各方案的MSE变化示意图；

图7为本发明一实施例中的当信道散射路径数估计结果与实际有偏差时，本发明方案MSE随SNR变化的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，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一部分的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本发明做进一步详细描述：

参见图1，本发明一个实施例中，提供了一种基于模型约束的信道估计方法，通过根据通信信道中发送的导频序列和接收的接收信号(量化后的导频信号)，并根据预先选择的信道模型建立信道模型约束，进而生成优化问题，从而通过信道模型约束从接收信号来挖掘信道信息，从而实现一定精度的信道估计性能。具体的，该信道估计方法包括以下步骤：

S1：获取导频信号以及导频信号经过通信信道传输后的接收信号。

本实施例中，以单比特大规模MIMO***为例进行说明，参见图2，基于单小区的单比特大规模MIMO***模型，包括一个基站和K个均匀分布的单天线用户。基站配置均匀面阵，包含M＝N_v×N_t根天线，其中N_v为垂直方向天线数，N_t为水平方向天线数，且M＞＞K。为了进行信道估计，每个数据帧的开始，各用户发送长度为L的相互正交的导频序列，记为导频矩阵X_K×L，则基站收到的导频信号为：

Y＝HX+N (1)

其中，X满足XX^H＝L·Ι_K；N为加性高斯白噪声，各元素相互独立且服从均值为0方差为

的复高斯分布。

单精度ADC对接收信号进行阈值为0的1比特量化处理，得到接收信号：

R＝Q(Y)＝Q(HX+N) (2)

其中，

S2：根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵。

本实施例中，选择块衰落的Ray-based空间信道模型为例进行说明，也可以选择其他应用广泛的信道模型作为信道模型约束。

考虑在该模型中的信道是块衰落的Ray-based空间信道模型。假设基站在Y-Z平面上部署均匀面阵天线，垂直方向天线数为N_v，天线间距为d₁；水平方向上天线数为N_t，天线间距为d₂；信道散射路径数为L_u。那么，根据Ray-based模型，可以建模第k个用户到基站间的信道矢量为：

其中：

和a₁(θ_k,l)分别为第k个用户第l条路径的垂直方向阵列响应和水平方向阵列响应；

用户k的随机复增益为

用户k的垂直和水平到达角分别为

和

由式(3)可得K个用户与基站间的信道矩阵

表示为：

H＝[h₁,h₂,...,h_K]＝C₁(Θ,Ψ)·G (4)

其中：Θ＝[θ₁ ^T,…,θ_K ^T]^T；

G＝diag(g₁,…,g_K)。

S3：以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，恢复接收信号为通过振幅参数恢复振幅后的接收信号，估计接收信号为通过信道矩阵及导频信号估计的量化前的接收信号；第二均方误差为初始信道矩阵与模型信道矩阵的均方误差。

具体的，接收信号R仅保留了基带信号实部和虚部的符号，而丢失了相应的幅度。要进行恢复，可将其视为相位检索问题的“对偶”问题，先完成振幅恢复再进行信道估计。假设量化后输出信号R的振幅为Γ(Re(Γ)≥0,Im(Γ)≥0)，那么恢复后的接收信号可表示为

R⊙Γ＝Re(R)ΘRe(Γ)+jIm(R)ΘIm(Γ) (5)

其中，Re(·)和Im(·)为矩阵矢量的实部和虚部；Θ为矩阵中每个元素对应相乘。下面用恢复的信号建模高精度量化接收信号，则得到下式：

R⊙Γ＝HX+N (6)

要从接收信号R中直接提取信道信息，由于振幅和相位信息的严重丢失，必然导致估计精度很差。即使在高SNR情况下，也无法保证信道估计结果向信道真值收敛。但若能对接收信号进行振幅恢复，再引入更多的关于信道矩阵结构的先验信息进行强制约束，则有望提高信道估计质量。

为了进行振幅恢复，需要先估计振幅信息Γ。此外，空间信道模型中的随机参数{Θ,Ψ,G}未知，需要同信道矩阵H一起进行估计。

此处假设信道散射路径数L_u已知，以估计信道的均方误差和估计量化前接收信号的均方误差最小为优化目标，建立如下联合优化问题：

其中，R和X分别为已知的接收信号和发送的导频信号。三个约束中，前两个约束为幅度非负约束；第三个约束是信道范数约束，即，

为矩阵的F范数的平方，通过引入信道范数约束有效防止信道尺度缩放模糊。目标函数中的第二项

就是为了实现利用信道模型信息对信道矩阵的结构进行约束。参数λ的作用是调节接收信号偏差项与信道模型约束项在最终优化目标函数中的比重，一般可以取1。

优选的，式(7)中优化目标函数的第一项含有随机噪声项N，实际中无法得到。一般的做法是将其设置为零，忽略掉。但在SNR较低的情况下，噪声对估计精度的影响较大，不宜忽略。为了提高估计方案的抗噪能力，此处用基于噪声方差

和均值0所生成的复高斯随机变量矩阵

代替实际噪声矩阵N，则优化问题(7)将改写为

为了消除噪声扰动项的随机影响，在所设计的交替迭代优化过程中，每次迭代会重新生成一个噪声扰动项样本。随着迭代次数的增加，该扰动项的随机影响被逐渐消除，而最终保留下噪声的统计影响。从仿真实验结果中也可以看到，加入噪声扰动项对噪声抑制是有意义的。

S4：预设初始的信道矩阵及初始的模型信道矩阵，根据初始的信道矩阵及初始的模型信道矩阵求解目标函数，得到初始的振幅参数。

针对式(8)的优化问题，考虑采用交替优化的迭代方法来解决，当满足设定的最大迭代次数时，停止迭代。定义振幅参数、模型信道矩阵及信道矩阵均进行一次优化为一次迭代，且，每次迭代包括三个步骤：第一步，在第i次迭代得到的信道信息矩阵H⁽ⁱ⁾和信道模型参数{Θ,Ψ,G}⁽ⁱ⁾的基础上，更新高精度量化信号的振幅参数Γ⁽ⁱ⁺¹⁾；第二步，在H⁽ⁱ⁾和Γ⁽ⁱ⁺¹⁾已知的条件下，更新模型参数{Θ,Ψ,G}⁽ⁱ⁺¹⁾；第三步，在Γ⁽ⁱ⁺¹⁾和{Θ,Ψ,G}⁽ⁱ⁺¹⁾已知的条件下，更新信道系数矩阵H⁽ⁱ⁺¹⁾。下面对各步骤进行详细推导和说明。

1.振幅参数Γ的优化

考察第i+1次迭代。首先，更新振幅参数Γ。当H⁽ⁱ⁾和{Θ,Ψ,G}⁽ⁱ⁾已知时，优化问题(8)退化为优化Γ的子问题，具体形式如下：

Γ的实部和虚部是凸的且可分离的，对优化问题(9)利用卡罗需-库恩-塔克条件(KKT条件)，可以获得Γ的闭式解为：

2.信道模型参数{Θ,Ψ,G}的优化。

对于优化{Θ,Ψ,G}的子问题可表示为:

为方便计算，将式(11)目标函数中的矩阵进行列化表示，则式(11)可改写为：

其中,·₂为矢量的2范数；

g＝[g₁ ^T,…,g_K ^T]；

若采用最小二乘方法来估计

得到

将

代入式(12)，得到

的最大似然成本可表示为

其中

为计算伪逆。应用梯度下降法更新η得到：

其中，μ为更新步长，▽J(η)为J(η)的一阶导数，即：

其中，D(θ)和

分别代表

对θ和

的偏导数。

η更新后，g的最小二乘估计将更新为：

3.信道信息矩阵H的优化。

当获得

之后，关于信道矩阵H的子问题为：

其中，

是根据模型参数由公式(4)计算得到。公式(16)是带有一个约束的二次约束二次规划问题，可以利用强对偶性进行求解。下面将推导H的求解过程，其中为表述简单，将上标(i+1)省略。

首先，式(16)的拉格朗日表达式为：

其中，ρ是对偶变量。为了求式(17)的最优解，让L(H)对H求一阶导，并令导数为0，即有：

进而得到信道估计结果为：

其中，(·)^-1为矩阵求逆；

现在的任务是确定可用的

将式(19)代入式(16)的信道范数约束条件中，则得到：

该式等价于：

其中，trace(·)是求矩阵的迹；β_j是ΛU^H的第j列，其中U是XX^H的特征向量，

是相应的特征值。因为在更新H时，由Γ和{Θ,Ψ,G}决定的

是已知的，因此

能够通过直接求解式(21)得到。

下面来判断

是否有唯一解。让式(21)的左边项对

求一阶导数，得到：

对于二次约束二次规划问题，我们有

因此，式(22)分母中的三次方项是大于零的，所以有

这意味着

是单调递减的，那么

将是唯一的。此外，

意味着

因此式(20)的解在

范围内存在一个根，其中

是XX^H的最小特征值。又因为XX^H＝L·I_K，式(22)变为

则

的最优解为：

综上，当已知Γ⁽ⁱ⁺¹⁾和

后，估计得到信道矩阵为：

其中，

本发明再一个实施例中，考虑一个单比特量化的单小区大规模MIMO场景，在该场景中，采用本发明基于深度神经网络的信道估计方法实现上行链路的信道估计，详细的仿真参数见表1。

表1仿真参数表

对比方案

对比方案一：采用最小二乘法(LS)估计信道，该方案中对基站接收的信号不作任何的预处理直接采用LS估计信道。

对比方案二：采用线性最小均方误差估计方法(LMMSE)估计信道，在该方案中首先对基站接收的信号进行预处理，即采用Bussgang分解方法，将非线性量化过程等效为线性过程，然后再采用LMMSE实现信道估计。

图3给出了导频长度为16且参数为1时，各种估计方法获得的MSE随SNR变化的曲线。从图中可以看出，在优化目标函数中将噪声项置零的方案，由于引入了信道模型这个先验信息，因此在SNR大于-2dB时，可以取得比BLMMSE方法更优的估计精度，对量化误差有明显的抑制效果。但在噪声较强的低SNR范围上，其估计精度略差于BLMMSE估计方法。这正是由于忽略噪声项、优化模型不准确，导致估计方案对噪声影响比较敏感所造成的。从图3最下方的曲线可以看出，采用式(8)的优化目标函数，引入噪声扰动项，可以有效抑制白噪声的影响，在整个SNR范围上估计精度均不低于对比方案，在高SNR范围上不再出现BLMMSE估计存在的性能“反弹”现象。当SNR>0dB时，MSE维持在0.1以下。如无特殊说明，后文中的“所提方案”均对应于引入噪声扰动项的方案。

在所提方案中，超参数λ的取值代表信道模型约束在信道估计中影响的大小。要评估超参数λ对估计精度的影响，一般难以进行理论分析，常采用实验方法对λ在一定范围上进行搜索，从估计精度最优的角度来确定一个较合适λ。为此，图4展示了不同信噪比下所提方案的估计误差MSE随着λ变化的曲线。可以看出，当SNR＝-10dB和SNR＝-5dB时，MSE随着λ的增大略微降低。当SNR＝5dB时，MSE随着λ的增大有明显的降低，但当λ大于3之后，MSE将趋向于一个常数。当SNR＝10dB并且λ较小时，MSE随着λ的增大将快速减小，当λ大于1.8之后将趋向于一个常数。可以看到，在不同的信噪比下，参数的最优值各不相同。在低信噪比时，接收信号完全淹没在噪声中，即使附加信道模型约束也很难从量化后的信号中有效提取信道信息。在高信噪比时，接收信号受量化噪声影响更大，随着λ的增加，利用信道模型约束提取信道信息的能力变强，但随着λ继续增加模型约束所能起到的作用已发挥至最大，而不能继续提高性能。

图5进一步展示了λ为0.5、1和2三种情况下，所提方案MSE随SNR变化的曲线。可以看出，当SNR≤-8dB时，参数λ取不同的值对估计精度的影响不大。当SNR＞-6dB时，λ＝1比λ＝0.5的估计精度更高。当λ＝2时，MSE随着SNR的增大先降低，但是当SNR大于10dB后MSE又会升高。综合图4和图5来看，不同SNR下最优的λ不同，低信噪比下适合取较大的λ，利用信道结构约束来降低强噪声的影响，随着SNR增大λ值应适当减小，更多地发挥接收信号偏差项在信道估计中的作用，可获得更优的估计质量。

图6中给出了各方案的MSE随导频长度L的变化。可以看出随着L的增加，各方案的估计误差均有所下降，相比于LS方案，所提方案的估计误差随导频长度的增加下降速度更快，与BLMMSE相当。

在所提方案中，要求已知信道模型中的散射路径数，这需要结合实际场景进行提前估计。若该参数估计不准确，会对估计方案的性能有所影响。为了分析这种影响，这里对存在散射路径数估计误差的情况进行了实验。假设实际散射路径数为5，但估计结果分别为4、5、6和8。图7给出了相应的仿真结果。可以看出，当估计的路径数低于实际值时，估计方案的性能损失比较大，当估计的路径数高于实际值时，性能损失较小。因此，当实际信道的散射路径数未知，或者不能准确测量时，应把设定的散射路径数适当取大一些，从而减少由于该参数估计误差带来的信道估计精度损失。

本发明在一个实施例中，提供了一种基于模型约束的信道估计***，该信道估计***可以用于实现上述基于模型约束的信道估计方法，具体的，该信道估计***包括信号获取模块、模型构建模块、优化模块、初始优化模块以及迭代优化模块。其中，信号获取模块用于获取导频信号以及导频信号经过通信信道传输后的接收信号；模型构建模块用于根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵；优化模块用于以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，恢复接收信号为通过振幅参数恢复振幅后的接收信号，估计接收信号为通过信道矩阵及导频信号估计的量化前的接收信号；第二均方误差为初始信道矩阵与模型信道矩阵的均方误差；初始优化模块用于预设初始的信道矩阵及初始的模型信道矩阵，根据初始的信道矩阵及初始的模型信道矩阵求解目标函数，得到初始的振幅参数；迭代优化模块用于依次以振幅参数、模型信道矩阵及信道矩阵为待优化参数，迭代求解目标函数至达到预设迭代次数，得到最终的信道矩阵。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于模型约束的信道估计方法的操作，包括：S1：获取导频信号以及导频信号经过通信信道传输后的接收信号；S2：根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵；S3：以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，恢复接收信号为通过振幅参数恢复振幅后的接收信号，估计接收信号为通过信道矩阵及导频信号估计的量化前的接收信号；第二均方误差为初始信道矩阵与模型信道矩阵的均方误差；S4：预设初始的信道矩阵及初始的模型信道矩阵，根据初始的信道矩阵及初始的模型信道矩阵求解目标函数，得到初始的振幅参数；S5：依次以振幅参数、模型信道矩阵及信道矩阵为待优化参数，迭代求解目标函数至达到预设迭代次数，得到最终的信道矩阵。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于模型约束的信道估计方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：S1：获取导频信号以及导频信号经过通信信道传输后的接收信号；S2：根据预设的空间信道模型，构建基于空间信道模型的模型信道矩阵；S3：以第一均方误差和第二均方误差之和最小为优化目标建立目标函数；其中，第一均方误差为恢复接收信号与估计接收信号的均方误差，恢复接收信号为通过振幅参数恢复振幅后的接收信号，估计接收信号为通过信道矩阵及导频信号估计的量化前的接收信号；第二均方误差为初始信道矩阵与模型信道矩阵的均方误差；S4：预设初始的信道矩阵及初始的模型信道矩阵，根据初始的信道矩阵及初始的模型信道矩阵求解目标函数，得到初始的振幅参数；S5：依次以振幅参数、模型信道矩阵及信道矩阵为待优化参数，迭代求解目标函数至达到预设迭代次数，得到最终的信道矩阵。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims

1.一种基于模型约束的信道估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于模型约束的信道估计方法，其特征在于，所述预设的空间信道模型为：块衰落的Ray-based空间信道模型。

3.根据权利要求1所述的基于模型约束的信道估计方法，其特征在于，所述估计接收信号采用如下方式获得：将导频信号与信道矩阵相乘后添加上通信信道传输噪声，得到估计接收信号。

4.根据权利要求2所述的基于模型约束的信道估计方法，其特征在于，所述目标函数具体如下：

5.根据权利要求4所述的基于模型约束的信道估计方法，其特征在于，所述目标函数的约束中还包括信道范数约束：

6.根据权利要求4所述的基于模型约束的信道估计方法，其特征在于，以噪声功率的开方为方差并以0为均值生成复高斯随机变量矩阵，采用复高斯随机变量矩阵替代通信信道传输噪声。

7.根据权利要求4所述的基于模型约束的信道估计方法，其特征在于，所述S5的具体方法为：

8.一种基于模型约束的信道估计***，其特征在于，包括：

9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述基于模型约束的信道估计方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述基于模型约束的信道估计方法的步骤。