一种低复杂度的大规模MIMO通信系统下行链路信道估计方法

一种低复杂度的大规模mimo通信系统下行链路信道估计方法
技术领域
1.本发明属于无线通信领域，涉及一种多输入多输出(multi-input multi-output，mimo)通信系统的信道估计方法，具体来说是一种基于变分贝叶斯推理(variational bayesian inference,vbi)的低复杂度大规模mimo通信系统的下行链路信道估计方法。


背景技术：

2.大规模多输入多输出(multiple-input multiple-output，mimo)技术是下一代无线通信的研究热点和关键技术之一。将大规模mimo技术应用于无线通信中，可获得较高的信道增益，同时其极低的系统功耗可以使得信号的覆盖范围得到有效扩大。相比于传统无线通信系统，大规模mimo系统具有很高的频谱利用率、能量效率和系统的鲁棒性能。
3.信道信息的获取在通信系统中占有举足轻重的地位，然而在无线通信系统中信道信息都是不可知的，因此信道估计是无线通信中极为重要的技术，信道估计的精度将直接影响整个通信系统的性能。同时，随着天线规模的扩大，信道矩阵的维度也随之线性增长，高计算复杂度的问题愈发成为信道估计技术的制约因素。为了降低计算复杂度，现有方法在进行信道估计时大多将用户端的阵列信息并入路径增益矩阵中，进而利用复杂度较低的行稀疏特性进行信道估计。目前，人们已经提出了很多利用行稀疏特性的方法解决大规模mimo信道估计问题，例如在文献j.dai,a.liu and v.k.n.lau,fdd massive mimo channel estimation with arbitrary 2d-array geometry,ieee transactions on signal processing,vol.66,no.10,pp.2584-2599,15may,2018中提出了一种基于离网稀疏贝叶斯学习的大规模mimo通信系统的信道估计方法，由于此方法忽略了用户端的阵列反馈信息，因此会损失一定的信道估计性能。


技术实现要素：

4.针对现有方法的不足，本发明将提出一种低复杂度的基于vbi的大规模mimo通信系统的下行链路信道估计方法。
5.用于实现本发明的技术解决方案包括如下步骤：
6.步骤1：基站采用了一个具有m
t
根天线的均匀线性阵列，下行链路中的移动用户装配mr根天线的均匀线性阵列，在t个时刻内，基站发送导频信号矩阵s，则移动用户接收到的信号为y＝sa
t
(β)wb
t
n。
7.步骤2：将接收信号进行向量化。
8.步骤3：初始化参数。
9.步骤4：设置迭代次数计数变量j＝1。
10.步骤5：固定q(α),q(γ),β,b,更新q(w)。
11.步骤6：固定q(w),q(γ),β,b,更新q(α)。
12.步骤7：固定q(w),q(α),β,b,更新q(γ)。
13.步骤8：固定q(w),q(α),q(γ),β,更新b。
14.步骤9：固定q(w),q(α),q(γ),b,更新β。
15.步骤10：判断迭代计数变量j是否达到上限j或γ是否收敛，如果都不满足，则迭代计数变量j＝j 1，并返回步骤5。
16.步骤11：估计最终的信道。
17.本发明的有益效果为：
18.利用vbi方法，本发明获得了一种低复杂度基于变分贝叶斯推理的大规模mimo通信系统的下行链路信道估计方法。与现有方法相比，本发明在信道估计性能上有明显的提升，同时本发明的计算复杂度为明显低于现有方法的
附图说明
19.图1是本发明实施流程图。
20.图2在信噪比为0db，发送端天线m
t
为150，用户天线mr为8根，网格数设定为200时，导频时刻t由40到90变化时对信道进行500次估计，仿真结果如图2所示。
21.图3在导频时刻为50，发送端天线m
t
为100，用户天线mr为8根，网格数设定为200时，信噪比从-10db到10db变化时对信道进行500次估计，仿真结果如图3所示。
具体实施方式
22.下面结合附图对本发明作进一步说明。
23.本发明的实施如图1所示，包括如下：
24.(1)基站采用了一个具有m
t
根天线的均匀线性阵列，下行链路中的移动用户数装配mr根天线的均匀线性阵列，在t个时刻内，基站发送维度为t
×mt
的导频信号矩阵s，移动用户接收到的信号为y＝sa
t
(β)wb
t
n，其中:
25.a
t
(β)＝[a
t
(θ1 β1),a
t
(θ2 β2),...,a
t
(θn βn)]表示发送端阵列流型矩阵，
[0026]
表示导向矢量，n＝1,2,...,n，
[0027]
(
·
)
t
表示转置，
[0028]
λ表示载波波长，d为相邻天线阵元之间的间距，
[0029]
表示对角域均匀划分成n个网格点，即
[0030]
中的元素βi表示θi上的角度偏差，
[0031]
w代表n
×
mr维的稀疏矩阵，
[0032]
b代表mr×
mr维的未知矩阵，
[0033]
n代表t
×
mr维均值为0，精度为α的高斯白噪声矩阵。
[0034]
(2)将接收信号重新排列，可得y＝φbw n，其中：
[0035]
y＝vec(y)，φ(β)＝sa
t
(β)，w＝vec(w)，n＝vec(n)，
[0036]
vec(
·
)代表向量化，
[0037]
代表克罗内科积，
[0038]
(3)初始化参数：μm＝0n，γ＝0n，a＝b＝10-10
，μm表示wm的均值，b
t
为y的右奇异向量，其中：
[0039]0n
表示维度为n
×
1的0向量。
[0040]
(4)设置迭代次数计数变量j＝1。
[0041]
(5)固定q(α),q(γ),β,b,更新q(w)：
[0042][0043]
其中：
[0044]
q(α),q(γ)，q(w)分别表示α，γ，w的近似后验概率密度函数，
[0045]
表示均值为μ，方差为σ的复高斯分布，
[0046]
wm代表w的第m列向量，
[0047][0048][0049]bm
表示b的第m列向量，
[0050]
(
·
)h表示共轭转置，
[0051]
diag(
·
)表示对角运算矩阵。
[0052]
(6)固定q(w),q(γ),β,b,更新q(α)：
[0053]
q(α)＝γ(α；a
α
,b
α
)，
[0054]
其中：
[0055]
γ(
·
|a,b)表示形状参数为a，速率参数为b的伽马分布，
[0056]aα
＝tmr a，
[0057][0057][0058]
||
·
||2表示矩阵的2范数，tr(
·
)表示矩阵的迹。
[0059]
(7)固定q(w),q(α),β,b,更新q(γ)：
[0060][0061]
其中：
[0062]
γ表示w的精度向量，
[0063]
γn表示γ的第n个元素，
[0064][0064][0065]
[
·
]
n,n
表示矩阵的第n个对角线元素。
[0066]
(8)固定q(w),q(α),q(γ),β,更新b：
[0067][0068]
其中：
[0069]069][0070]gm
＝tr(φ(β)σmφh(β))，m＝1,2,...,mr。
[0071]
(9)固定q(w),q(α),q(γ),b,更新β：
[0072][0073]
其中：
[0074]
sign(
·
)表示取正负号运算，
[0075]
ζ＝[ζ(β1),ζ(β2),
…
ζ(βn)]
t
，
[0076]
ζ(βn)＝2re(a
′
(θn βn)hshsa(θn βn)c1 a
′
(θn βn)hshc2)，n＝1,2,...,n，
[0077]
re(
·
)表示取实部运算，
[0078][0078][0079][0079][0080][0080][0081][0081]
表示u的第n行，表示σm的第(i,i)个元素，
[0082]
(
·
)
*
代表共轭运算，
[0083]a′
(θn βn)表示a(θn βn)在θn βn处的导数。
[0084]
(10)判断迭代计数变量j是否达到上限j＝100或γ是否收敛，如都不满足，则迭代计数变量j＝j 1，并返回(5)。
[0085]
(11)估计最终的信道h：h＝φ(β)ub
t
。
[0086]
下面通过列举仿真实验结果对本发明的效果做进一步阐述。
[0087]
为了评估本方法的性能，假设基站装配了一个具有m
t
＝100根天线的均匀线性阵列，下行链路的工作频率为2170mhz，无线信道由3gpp spatial channel model(scm)模型随机产生，基站发送导频信号矩阵s，s的每个元素均为零均值单位方差的独立高斯分布，加性噪声假设为高斯白噪声。
[0088]
实验条件
[0089]
采用本发明在信噪比为0db，发送端天线m
t
为150，用户天线mr为8根，网格数设定为200时，导频时刻t由40到90变化时对信道进行500次估计，仿真结果如图2所示。
[0090]
采用本发明在在导频时刻为50，发送端天线m
t
为100，用户天线mr为8根，网格数设定为200时，信噪比从-10db到10db变化时对信道进行500次估计，仿真结果如图3所示。
[0091]
实验分析
[0092]
从图2和图3可以看出，本发明可以精确地估计出大规模mimo通信系统的下行链路
信道信息，其nmse性能明显优于现有方法。
[0093]
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。