[发明专利]宽带多用户毫米波系统中基于变分贝叶斯学习的信道估计方法

说明书

宽带多用户毫米波大规模多入多出(MIMO)系统中基于变分贝叶斯学习的信道估计方法，考虑了混合预编码架构和宽带毫米波信道呈现出的频率选择性衰落特性。该信道估计方法的操作步骤如下：(1)信道估计问题建模阶段：考虑频率域的信道估计问题，通过观察各信道参数服从的概率分布，将信道估计问题建模为基于稀疏贝叶斯学习的信号重构问题。(2)信道状态信息估计阶段：完成信道估计问题建模后，采用变分贝叶斯学习的算法进行信道状态信息的估计，即通过参数学习的方法推导出信道参数的后验分布信息。本发明将变分贝叶斯学习引入到宽带多用户毫米波频率选择性衰落信道估计问题中来。本发明方法能够在提高信道估计精度的前提下，降低估计所需的导频开销。

技术领域

本发明涉及一种用于宽带多用户毫米波大规模MIMO系统中的信道估计方法，确切地说，是一种稀疏信道向量状态信息的估计方法，属于无线通信技术领域。

背景技术

近年来，毫米波通信技术凭借其可以提供千兆比特每秒的传输速率被公认为第五代移动通信技术之一。与大规模MIMO技术和混合预编码技术相结合，相关研究方兴未艾。在毫米波大规模MIMO系统中，基站端往往需要配置一百或者几百根天线，同时服务几十个用户。随着天线数目的增加，信道状态信息矩阵的维度增大，传统的信道估计方法将不再适用。在毫米波通信系统中，因为信道状态信息的准确获取在移动通信技术中占据着至关重要的地位，所以为了使毫米波技术更加适用于工程应用，提升信道状态信息估计的准确度尤为重要。

在宽带多用户毫米波MIMO通信系统中，提升信道状态信息估计的准确度是一个至关重要的问题。现有的估计方法中，通过开发毫米波信道固有的稀疏特性，基于压缩感知的信道估计方法被广泛提出。通过正交匹配追踪(OMP)算法虽然在一定程度上降低了估计过程中所需的导频开销，但大部分的信道估计算法假设的都是窄带平坦衰落的信道模型，很难将其应用于实际工程中。

另一方面，也有一些基于宽带毫米波信道的估计算法。通过开发毫米波信道角域和时延域联合稀疏的特性，以时域为参考系的联合信道估计(JCE)算法被广泛提出，但是这些基于时域的算法仅仅受限于单载波系统。随着多载波通信系统的广泛应用，基于多分辨率码本的设计，以频域为参考系的针对宽带频率选择性信道的估计算法吸引了人们的注意，但上述算法由于码本的分辨率受限，将导致信道估计算法的性能有所衰减。另一方面，随着贝叶斯理论在通信系统中的应用，有人把机器学习的相关方法迁移到信道估计的问题中来，但这些迁移针对的毫米波系统都是采用的简化的窄带平坦衰落信道模型，考虑的场景是只有一个用户和一个基站的“点对点”通信问题。

针对现有方法的提升估计准确度的问题，本发明考虑了宽带多用户毫米波大规模MIMO系统的场景，提出了一种基于变分贝叶斯学习的提升信道估计准确度的高效方法。

发明内容

有鉴于此，本发明的目的是提供一种在宽带多用户毫米波大规模MIMO系统中利用机器学习中变分贝叶斯学习来估计信道状态信息的方法，即一种在宽带多用户毫米波大规模MIMO系统中，利用求解隐变量的后验概率分布来估计信道状态信息的方法。本发明方法利用了毫米波宽带频率选择性衰落共同稀疏性的特征，将接收到的信号变换到频率域实现信号维度的降低，并将信道估计问题建模为信号估计问题；根据信道参数的概率分布特征，采用变分贝叶斯学习对各隐变量的后验概率分布信息进行求解。因此，所提出的估计方法通过参数学习的方法从根本上避免了OMP和JCE带来的分辨率受限的问题，降低了估计误差。同时，开发宽带频率选择性衰落信道的联合稀疏特性也在一定程度上降低了估计过程中所需的导频开销。

为了达到上述目的，本发明提供了一种宽带多用户毫米波大规模MIMO系统中基于变分贝叶斯学习的信道估计方法，用于下述场景：多个用户向一个基站发送信息的上行链路通信系统，用户端和基站端都配备混合预编码装置；基站大规模天线阵列为均匀线性天线阵。其特征在于：所述方法包括下列两个操作步骤：