[发明专利]一种基于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

摘要

本发明公开了一种基于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，包括以下步骤：1：基站采用具有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)w+n。2：设置迭代次数计数变量初始值为l＝1，初始化w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为全零元素的矩阵。3：利用SBL原理和EM(Expectation Maximization)准则，更新α，γ和β。4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回3。5：设置门限η，并利用该门限选取信道的有效角度集合Ω。6：利用有效角度集合Ω，估计最终的信道。本发明能极大改善信道估计的性能。

主权项

1.一种基于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，其特征在于，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)w+n；Φ(β)为测量矩阵，w是信道在测量矩阵Φ(β)上的稀疏表示向量，n是一个T维的均值为0、精度为α的高斯白噪声向量；步骤2：设置迭代次数计数变量l＝1，初始化w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为全零元素的矩阵；步骤3：利用SBL原理和期望最大化EM准则，更新α，γ和β；步骤4：判断迭代计数变量l是否达到上限L或γ是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3；步骤5：设置门限η，并利用该门限选取信道的有效角度集合Ω；步骤6：利用有效角度集合Ω，估计最终的信道；所述步骤3的更新方法为：其中：tr(·)表示矩阵的迹，||·||₂表示矩阵的2范数，sign(·)表示取正负号运算，[·]_ii表示矩阵的第i个对角线元素，(·)^H表示共轭转置，a＝b＝0.0001，μ(α,γ,β)＝αΣ(α,γ,β)Φ^H(β)y，Σ(α,γ,β)＝(αΦ^H(β)Φ(β)+diag(γ))^‑1diag(·)表示对角运算矩阵，Ξ(α,γ,β)＝μ(α,γ,β)μ^H(α,γ,β)+Σ(α,γ,β)，ζ_i＝Re(a'(θ_i+β_i)^HX^HXa(θ_i+β_i))·c_i1+Re(a'(θ_i+β_i)^HX^Hc_i2)，c_i1＝‑α(χ_ii+|μ_i|²)，Re(·)表示取实部运算，μ_i表示μ(α,γ,β)的第i个元素，χ_ji表示Σ(α,γ,β)的第(j,i)个元素，(·)^*表示共轭运算，a'(θ_i+β_i)表示a(θ_i+β_i)关于β_i的导数；所述步骤6中估计的最终的信道为：其中(·)_Ω表示由矩阵中集合Ω对应的列向量组成的子矩阵，表示矩阵的广义逆。