[发明专利]一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法

说明书

本发明公开了一种基于稀疏贝叶斯学习的大规模MIMO通信系统的下行链路信道估计方法，包括以下步骤：1：基站采用具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则移动用户接收到的信号是y＝Φ(β)w+n。2：设置迭代次数计数变量初始值为l＝1，初始化w的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素的矩阵。3：利用SBL原理和EM(Expectation Maximization)准则，更新α，γ和β。4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回3。5：设置门限η，并利用该门限选取信道的有效角度集合Ω。6：利用有效角度集合Ω，估计最终的信道。本发明能极大改善信道估计的性能。

技术领域

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，具体地说是一种基于稀疏贝叶斯学习的大规模MIMO通信系统的信道估计方法。

背景技术

多输入多输出(Multi-input Multi-output，MIMO)技术已成为未来通信系统的核心技术之一，同时也将是无线局域网标准所采用的核心技术之一。大规模MIMO通信系统是指在基站覆盖区域内以大规模阵列方式集中放置数十根甚至数百根以上的天线。由于拥有数以百计的天线单元，大规模MIMO系统的空间自由度较高，利用波束形成技术可以将能量集中于较小的区域，极大地提高了传输速率并改善了能量效率。大规模MIMO系统有望从根本上解决移动通信的频谱效率和能量效率问题，其已成为5G移动通信的重要技术之一。

信道估计是通信信号检测和自适应传输的基础，对通信系统的性能起着至关重要的作用。由于基站的天线数较多，大规模MIMO系统的下行链路信道估计变得异常困难,人们已尝试从稀疏信号恢复的角度，提出了一些基于傅立叶变换的稀疏下行链路信道估计方法。例如在文献Rao X.and Lau V.K.,Distributed compressive CSIT estimation andfeedback for FDD multi-user massive MIMO systems,IEEE Transactions on SignalProcessing,62(12)(2014)3261-3271中提出了一种基于l₁-norm的傅立叶变换的信道估计方法。但是现有方法采用的傅立叶变换矩阵并不能满足于实际应用，因为实际无线信号的波达方向与傅立叶变换矩阵对应的角度总存在偏差(即,离格偏差)，会造成信道估计性能的损失。

发明内容

针对现有方法的不足，本发明将提出一种基于稀疏贝叶斯学习(Sparse BayesianLearning,SBL)的大规模MIMO通信系统的信道估计方法。

用于实现本发明的技术解决方案包括如下步骤：

步骤1：基站采用了一个具有N根天线的均匀线性阵列，下行链路中的移动用户采用单天线，在T个时刻内，基站发送导频信号矩阵X，则移动用户接收到的信号是y＝Φ(β)w+n。

步骤2：设置迭代次数计数变量l＝1，初始化w的精度向量中的各元素为1，初始化噪声精度α＝1，同时初始化β为全零元素的向量。

步骤3：利用SBL原理和期望最大化(Expectation Maximization，EM)准则，更新α，γ和β。

步骤4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3。

步骤5：设置门限η，并利用该门限选取信道的有效角度集合Ω。

步骤6：利用有效角度集合Ω，估计最终的信道。

本发明的有益效果：