[发明专利]一种基于智能迭代初值选择的信道机器学习估计方法

权利要求书

1.一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：所述方法包括如下步骤：

步骤一:使用高斯混合模型对信道的概率模型进行建模；

步骤二:使用最优贝叶斯参数估计进行信道估计；

步骤三:使用改进的K-means聚类算法确定高斯混合模型迭代初值；

步骤四:使用近似消息传递算法(AMP)求解步骤二中的边缘概率密度函数；

步骤五:使用期望最大算法迭代求解高斯混合模型中的参数。

2.根据权利要求1所述一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：所述步骤一中，利用高斯混合模型对大规模MIMO系统的上行链路进行信道估计的算法，其依据是信道增益在波束域的稀疏特性，将其建模为：

其中表示的是均值为0，方差为的高斯概率密度函数；

表示的是先验参数；ρn,l代表的是加权系数，是第1个单高斯分布模型的混合概率，满足：

3.根据权利要求1所述一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：在步骤二中，使均方误差最小，最优贝叶斯参数估计为：

其中，

代表含有CK个变量的后验概率P(h_n|y_n)的第k个变量的边缘概率密度函数，利用贝叶斯全概率公式可得：

在导频信息和信道状态信息已知的条件下，概率P(y_n|h_n)的不确定度就是信道噪声的不确定度，且不同导频的噪声相互独立，所以

则

其中Z＝P(y_n)是归一化常量，与h_n无关只是用于确保积分为1。

4.根据权利要求1所述一种基于智能迭代初值选择的信道机器学习估计方法，其特征在于：在步骤三中，利用改进的K-means算法对信道的样本信息进行预处理，以此来获得更适合于高斯混合模型迭代的初值：先假设信道噪声不影响，将h_n＝S^-1y_n中的每一个元素都看成是一个单独的类别，首先先从数据集中随机选取一个样本作为初始的聚类中心，接着计算该类别点与当前所有元素的欧式距离，并计算每个类别被选为下一个聚类中心的概率最后按照轮盘发选择出下一个聚类中心，反复迭代这一个过程直到形成的数据类别最后数目为L，

高斯混合模型迭代初值确定方法如下：(1)计算每个类别中信道样本数占所有的信道样本数的比例，将这个比例作为GMM的混合概率ρ_n,r的初始值；(2)将每个类别中的各信道样本数的方差作为GMM的方差的初始值；(3)将h_n＝S^-1y_n中的每个元素作为μ_k,n的初始值。