[发明专利]一种非高斯噪声3D-MIMO信道估计方法

说明书

本发明公开了一种非高斯噪声3D‑MIMO信道估计算法，包括利用判决条件得到信道矩阵的支撑集，选择支撑集下的字典矩阵，根据接收信号的特征，进行混合高斯模型的阶次选择计算；权值最小二乘矩阵的计算；得到混合高斯模型的系数和方差；逐列估计出信道矩阵，得到其第一次的估计值；判断满足迭代结果趋于稳定或达到迭代次数时，得到支撑集下的信道矩阵；否则重复步骤，直到满足条件为止；满足迭代结果产生一个全零矩阵，支撑集下的信道矩阵按照支撑集中非零元素所在的位置逐行插入该全零矩阵中，其余位置不变，得到实际信道矩阵。本发明估计算法归一化均方误差明显优于其它算法，且在低信噪比的情况下依然有着较为理想的估计性能。

技术领域

本发明涉及通信技术领域，尤其涉及一种信道估计方法。

背景技术

随着数据AI、大数据、云计算等技术的兴起，移动通信中各种终端对数据传输速率的要求越来越高。在发送端和接收端使用多个天线的大规模多输入多输出(massive MultiInput Multi Output,MIMO)技术可以在不增加带宽和发射功率的情况下，提高系统的信道容量。因此，3D-MIMO成为即将商用的5G网络的关键技术之一。传统的MIMO只能在水平方向上对信号进行处理，3D-MIMO通过动态的调整天线下倾角开发出垂直方向的空间自由度，从而够降低小区间的干扰，大幅提高系统吞吐量和频谱效率。如何准确地获取信道状态信息是无线通信领域的热点话题之一。在传统的基于导频的信道估计方法中，导频数量随着天线数量的增加而线性增加。在3D-MIMO系统中，由于用户数和基站天线数较多，而导频数量有限，传统的信道估计方法会使得用户的导频不能正交，从而信道估计的准确度大大降低。为了解决多天线带来的导频需求增加的问题，已有文献指出可考虑MIMO信道矩阵的稀疏性，利用压缩感知重构算法来估计信道矩阵，同时实现较低的恢复误差。此外，现有的3D-MIMO信道估计方法都是假设信道噪声为高斯分布的情况下展开的，这种假设是因为：1、高斯噪声可以用特定的数学表达式表示，便于分析和计算；2、这种假设符合中心极限定理。但是已有文献指出，在脉冲噪声或电磁干扰等因素的影响下，信道噪声并不服从高斯分布。如果在3D-MIMO信道估计中没有考虑干扰等因素的存在，直接将噪声假设为高斯噪声会造成估计误差较大，导致接收端难以准确获知发送信号。本发明利用3D-MIMO信道矩阵角域内的空间稀疏性提出了一种非高斯噪声下信道估计方法，仿真结果证明了该方法的能有效的降低均方误差，即能更加精确的估计出信道矩阵。

发明内容

为了解决非高斯噪声3D-MIMO信道估计问题，本发明提出了一种稀疏贝叶斯学习信道估计方法，从而准确的估计非高斯噪声下的3D-MIMO信道矩阵。

本发明的目的是通过下述技术方案来实现的。

一种信道估计方法，包括下述步骤：

1)根据3D-MIMO信道的结构稀疏性，得到其基于压缩感知重构算法下的初始恢复信道，利用判决条件得到信道矩阵的支撑集s；

2)选择支撑集下的字典矩阵A_s，其中A_s表示支撑集s中非零元素所在位置对应于A中相应位置上的列向量所组成的新矩阵，A为传输过程的字典矩阵；

3)根据接收信号的特征，进行混合高斯模型的阶次选择计算；

4)根据步骤2)得到的支撑集下的字典矩阵A_s和步骤3)得到的混合高斯模型的阶次，将其用于权值最小二乘矩阵G(y_i)的计算；

5)利用权值最小二乘矩阵G(y_i)恢复出信道矩阵的第i列估计值及其对应的混合高斯模型的系数λ_k和方差

6)重复步骤4)-5)N_r次，逐列估计出信道矩阵，得到其第一次的估计值