[发明专利]基于变分贝叶斯推断的复杂混合模型的信道估计方法

说明书

本发明属于无线通信技术领域，具体的说是涉及一种基于变分贝叶斯推断的复杂混合模型的信道估计方法。本发明的方法利用了大规模MIMO信道的稀疏结构，及其相邻信道稀疏结构的相似性，并将各天线合理地划分为各个子阵，最大限度地利用各信道之间的相互关系，创新性地构建了大规模MIMO信道的稀疏模型(多层先验模型)，引入概率事件来控制信道所在位置属于完全共有、子阵共有位置还是非共有位置，提出了基于变分贝叶斯推断的复杂混合模型的信道估计算法(简记为Complex_Mixture_VBI)，同时与OMP、ASSP、Geniu‑LS等信道估计方法相比，本发明大大提高了信道估计的准确性，在一定条件下，可使得信道估计误差达到10^‑3，且不需要任何先验信息。

技术领域

本发明属于无线通信技术领域，具体的说是涉及一种基于变分贝叶斯推断的复杂混合模型的信道估计方法。

背景技术

大规模MIMO(Multiple Input Multiple Output，多输入多输出)系统是第五代移动通信系统的关键技术之一，其主要优势在于：系统容量随着天线数量增加而增加；降低发送信号功率；简单的线性预编码器与检测器即可达到最优性能；信道之间趋于正交化，因此消除了小区内同道干扰。

实现这些优势的前提是基站(BS)知晓信道状态信息(CSIT)。在时分双工(TDD)系统中，利用上下行信道的互易性在用户端(MS)进行信道估计。对于FDD大规模MIMO系统，其信道估计的流程为：基站向各用户广播导频信号，移动用户利用接收信号估计CSIT然后反馈回基站。这种情况下，导频信号数与基站天线数成正比，由于在大规模MIMO系统中，天线数量巨大，常规的信道估计方法(如最小二乘法)将面临巨大的训练开销，使得训练时间变长，甚至超过信道的相干时间，使得信道估计失去意义。

压缩感知是一种全新的信号采样理论，它利用信号的稀疏性，在远小于奈奎斯特速率的情况下，用随机采样获取信号的离散样本，利用原始信号在某些基下面的稀疏的特性,将其投影到很少的测量下,通过非线性算法恢复原始的信号,因此压缩感知理论能够通过最少的测量保留最大的信号信息。稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)最初作为一种机器学习算法由微软研究院的Tipping于2001年提出，随后被引入到稀疏信号恢复领域(BCS)。

贝叶斯压缩感知是利用概率的方法，给信号增添稀疏先验，通过贝叶斯统计推断的方法，推导出信号恢复的算法。由于贝叶斯灵活度高，可以通过改变概率先验的形式，以适应多种不同的信号先验。贝叶斯框架提供了多种有用的推断方法，例如：ExpectationMaximization(EM)、Variational Expectation Maximization(VEM)、Maximal Likelihood(ML)、Variational Bayes Inference(VEM)。EM算法是Dempster，Laind，Rubin于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。EM算法的主要目的是提供一个简单的迭代算法计算后验密度函数，它的最大优点是简单和稳定，但容易陷入局部最优。VEM算法是广义化的EM算法，最早是由BEAL M J.在其论文《Variational Algorithms for Approximate BayesianInference》里所提出的，主要应用于贝叶斯估计和机器学习领域中复杂的统计模型中。

大量实验研究表明，无线宽带信道具有延迟域(delay domain)的稀疏性，在大规模MIMO系统中相邻发射天线和一个用户表现出非常相似的路径延迟值，即不同发射天线具有相似的稀疏路径。

发明内容

本发明的目的是提出一种基于贝叶斯算法的信道估计方法。本发明主要利用压缩感知原理和大规模MIMO信道的稀疏性以及相邻天线的稀疏结构的相似性，在贝叶斯算法的基础上提出一种改进的贝叶斯算法，以此提高信道估计的精确度。