[发明专利]一种大规模MIMO系统的上行链路信道估计方法

说明书

本发明提出一种大规模MIMO系统的上行链路信道估计方法，包括如下步骤：(1)使用高斯混合模型对信道的概率模型进行建模；(2)使用最优贝叶斯参数估计进行信道估计；(3)使用层次聚类算法给定迭代初值；(4)使用近似消息传递算法求解步骤二中的边缘概率密度函数；(5)使用期望最大算法迭代求解高斯混合模型的参数。本发明充分利用信道增益在波束域的稀疏特性，采用贝叶斯参数估计方法，不需要预先知道信道的统计信息，与传统的基于LS的信道估计相比，可以获得更好的MSE性能。

技术领域

本发明涉及属于无线通信技术领域，尤其是一种大规模MIMO系统的上行链路信道估计方法。

背景技术

在大规模MIMO系统中，无线信道受到阴影衰落以及频率选择性衰落等的影响，具有很大的随机性，这对接收机的设计带来了很大的挑战。而接收机中的相干检测需要信道的状态信息，信道估计技术被用来解决这个问题，信道估计是否精确将直接影响接收端能否正确地解调出发射信号，这是衡量一个无线通信系统性能的重要指标。因此，信道估计算法的研究是一项有重要意义的工作。

传统的信道估计算法是基于最小二乘(LS)估计和最小均方误差(MMSE)估计的。LS信道估计算法简单，但是忽略了噪声的影响，通常会带来较大的估计误差。MMSE信道估计考虑了噪声的影响，性能较好，但是计算量较大，对硬件要求比较高。文献^[1](M Noh， Y Lee，HPark.Low complexity LMMSE channel estimation for OFDM[J].IEE Proceedings-Commun，2006，153(5)：645-650.)提出了一种低复杂度的LMMSE信道估计算法，与传统MMSE信道估计算法相比，复杂度较低，但在高信噪比时性能有所下降。文献^[2](Y Kang，K Kim，HPark.Efficient DFT-based channel estimation for OFDM systems on multipathchannels[J].Commun IET，2007，1(2)：197-202.)研究了基于离散傅里叶变换 (DFT)的信道估计算法，复杂度低于MMSE，可以去除循环前缀以外的噪声。文献^[3](G Lebrun，SSpiteri，M Faulkner.Channel estimation for an SVD-MIMO System[J].IEEEInternational Conference on Commun，2004，5：3025-3029.)研究了基于奇异值分解的信道估计算法，简化了MMSE算法的复杂度，但是需要知道信道的统计信息。

与机器学习算法相结合，信道估计被认为可以获得更佳的性能表现。机器学习是数据分析的一种方法，它可以通过迭代的方式从数据中学习，不需要显式地编程就可以得到这些数据所隐含的内在模型或规律。信道估计要做的，正是从有限的信道样本中，估计出信道增益所符合的分布模型。但是目前利用机器学习进行信道估计的研究有限，仅有文献^[4](Chao-Kai Wen，Shi Jin，Kai-Kit Wong，et al.Channel Estimation for MassiveMIMO Using Gaussian-Mixture Bayesian Learning[J].IEEE Trans.Wireless Commun，2015，14(3)：1356-1368.)提出了一种基于高斯混合模型(GMM)的贝叶斯信道估计算法，可以取得较好的均方误差(MSE)性能，然而在取GMM参数迭代初值时，该算法采取了一种平均的选取方式，此方式虽然简单，但其收敛速度却很慢。

发明内容

发明目的：针对上述问题，本发明提出一种大规模MIMO系统的上行链路信道估计方法，在选取GMM迭代初值时，本发明使用层次聚类算法确定迭代初值，在改善收敛性能的同时也提高了算法的MSE性能。