[发明专利]一种大规模MIMO系统的上行链路信道估计方法

权利要求书

1.一种大规模MIMO系统的上行链路信道估计方法，其特征在于，所述MIMO系统包括C个蜂窝小区，每个蜂窝小区配备1个基站和K个用户设备，每个基站配备N个天线，每个用户设备配备单个天线；在进行信道估计时，每个用户设备同时发送长度为L的导频序列；

该方法包括步骤：

(1)选取MIMO系统中的一个蜂窝小区为目标小区，定义H_c表示第c个蜂窝小区中所有用户设备到目标基站的信道向量矩阵，H_c＝[h_c1，h_c2，…，h_cK]^T，h_ck是一个N×1的向量，h_ck中的N个元素分别表示第c个蜂窝中的第k个用户设备到目标基站N根天线的信道；构建MIMO系统内所有用户设备到目标基站第n根天线的信道增益概率分布模型：

其中，ρ_n，r表示第r个高斯混合分量的加权系数，R为高斯混合分量的总数；表示均值为0，方差为的一维复高斯概率密度函数，h_k，n表示目标基站第n根天线与第k个用户设备之间的信道增益；

(2)采用最优贝叶斯估计法估计h_k，n，得到估计值

(201)计算均方代价函数为：

式中，c(h_k，n)表示均方代价函数，为h_k，n的估计量，是观测值y_n的函数；

(202)计算均方代价函数的均值为：

其中，P(h_k，n，y_n)表示均方代价函数的概率密度函数；

(203)定义：

c_R＝∫c(h_k，n)P(h_k，n|y_n)dh_k，n (4)

计算：

得到：

根据公式计算得到使均方误差最小的贝叶斯估计为：

其中，Q()表示含有CK个变量的后验概率P(h_n|y_n)的第k个变量的边缘概率密度函数，在导频信息和信道状态信息已知的条件下，概率P(y_n|h_n)的不确定度就是信道噪声的不确定度，且不同导频的噪声相互独立，得到：

其中，s_l，k表示第k个用户导频序列的第l个元素；Z是归一化常量，用于确保积分为1，Z＝P(y_n)；

(3)采用层次聚类算法给定迭代初值，包括步骤：

(3-1)将h_n中的每个元素都划分为一个单独的类别，h_n代表目标基站第n个天线接收到的波束中的信道响应，h_n＝[h_1，n，…，h_CK，n]，z_n代表第n个天线接收到的波束中的噪声，Δ_n表示z_n的方差；

(3-2)计算所有数据类别之间的欧氏距离，将欧氏距离最小的两个数据类别进行组合，形成新的数据类别，反复执行步骤(3-2)，直到形成的数据类别的数目为R，转入步骤(3-3)；

(3-3)将每个类别中数据点数占所有样本点的比例作为ρ_n，r的初始值，将每个类别的方差作为的初始值，将h_k，n作为μ_k，n的初始值，μ_k，n表示h_k，n的目标估计；

(4)采用近似消息传递算法求解最优贝叶斯估计中的边缘概率密度函数，得到h_k，n的后验概率：

将式(10)写为：

根据因子图理论得到：

Q_k(h_k，n)＝Q_l→k(h_k，n)Q_k→l(h_k，n) (12)

其中，Q_k表示函数节点P(y_1，n|h_n)向变量节点h_k，n所传递的消息，Q_l→k表示变量节点h_k，n向函数节点P(y_1，n|h_n)所传递的消息；Z_l→k和Z_k→1是归一化常量，包含所有与h_k，n无关的项；表示s_l，k的共轭，μ_j→l、v_j→l表示变量节点h_j，n向函数节点P(y_l，n|h_n)所传递的消息的均值、方差；

计算得到：

Z_k为归一化常量；

计算不考虑h_k，n的先验信息及归一化常量时，Q_k(h_k，n)的均值和方差分别为：

定义目标估计为：

μ_k，n＝∫h_k，nQ_k(h_k，n)dh_k，n，

得到：

其中，

计算考虑h_k，n的先验信息时，h_k，n的后验概率为：

得到h_k，n的目标估计均值为：

h_k，n的平方的估计为：

h_k，n的目标估计方差为：

v_k，n＝f-|μ_k，n|² (22)

(5)根据步骤(3)中得到的ρ_n，r、μ_k，n的初始值以及步骤(4)得到的后验概率，采用期望最大算法迭代求解参数ρ_n，r、和μ_k，n：

(501)将ρ_n，r、μ_k，n分别初始化为步骤(3)中得到的相应的初始值；

(502)对于每一个k，k＝1，2，…，CK，根据ρ_n，r、μ_k，n和公式(18)计算：

(503)根据公式(23)更新ρ_n，r和

(504)根据公式(24)、(25)和(20)更新μ_k，n，返回步骤(502)；

(505)重复执行步骤(502)至(504)，直至达到预设的最大迭代次数，或μ_k，n收敛。