[发明专利]一种基于实值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实值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，1：基站采用具有N根天线的均匀线性阵列，下行链路用户采用单天线，T个时刻内，基站发送导频信号矩阵X，用户接收到信号y＝Φ(β)s+n；2：定义实值化矩阵Q_N；3：定义X＝GQ_N，构造实值接收信号矩阵Y＝Φ(β)S+N；4：设置迭代次数计数变量k＝1，初始化s的精度向量中的各元素为1，初始化噪声精度α＝1，初始化β为全零元素；5：利用SBL原理和期望最大化准则，固定δ、β，更新α；6：固定α、β，更新δ；7：固定α、δ，更新β；8：判断k是否达到上限K或δ是否收敛，如果都不满足，则k＝k+1，并返回5；9：设置门限η，利用η选取信道的有效角度集合Ω；10：根据Ω估计最终的信道。

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实值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。

背景技术

大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)系统因具有超高的频谱效率而受到广泛关注。在大规模MIMO系统中，基站配置大量的天线，而基站所服务的移动用户数目远少于基站天线数目，基站利用同一个时频资源同时服务若干个移动用户，充分发掘利用空间自由度，提升系统频谱效率和功率效率。目前，大规模MIMO 技术已经成为5G无线网络的关键技术之一。

信道估计是信号检测和自适应传输的基础，对于大规模MIMO无线传输性能起重要影响作用。大规模MIMO系统中的主要限制因素是基站处瞬时信道状态信息(channel stateinformation，CSI)的准确性。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，提出了一些基于稀疏贝叶斯学习的下行链路信道估计方法。例如在文献J.Dai,A.Liu and V.K.N.Lau,FDD Massive MIMOChannel Estimation with Arbitrary 2D-Array Geometry,IEEE Transactions onSignal 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，但是此方法在实际应用过程中存在计算量过大的问题。

发明内容

针对现有方法的不足，本发明将提出一种基于实值稀疏贝叶斯学习(Real-ValuedSparse Bayesian Learning，Real-Valued 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)s+n。

步骤2：定义实值化矩阵Q_N。

步骤3：定义X＝GQ_N,并构造实值接收信号矩阵Y＝Φ(β)S+N。

步骤4：设置迭代次数计数变量k＝1，初始化s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。

步骤5：利用稀疏贝叶斯学习(Sparse Bayesian Learning，SBL)原理和期望最大化 (Expectation Maximization，EM)准则，固定δ、β，更新α。

步骤6：固定α、β，更新δ。

步骤7：固定α、δ，更新β。