[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

说明书

本发明是一种基于智能迭代初值选择的信道机器学习估计算法，主要的步骤如下：(1)使用混合高斯模型(GMM)对信道的概率模型进行建模；(2)使用最优贝叶斯参数估计进行信道估计；(3)使用改进的K‑means算法来确定迭代过程的初值；(4)利用近似消息传递算法(AMP)来求解步骤(2)中所涉及到的边缘概率密度函数；(5)使用期望最大算法(EM)迭代求解高斯混合模型中的参数。本发明充分利用了信道的样本信息，对其进行聚类，取代期望最大算法(EM)的部分迭代过程来确保迭代更快的收敛速度和更好的MSE性能，同时根据波束域信道增益的稀疏特性，采用最优贝叶斯参数估计算法对信道进行估计。

技术领域

本发明属于无线通信技术领域，具体的说是一种基于智能迭代初值选择的信道机器学习算法，以信道增益在波束域上的稀疏特性为基础，采用机器学习的相关算法来改进Bayes-GMM信道估计算法来对信道进行估计。

背景技术

随着现在社会的信息化发展，无线通信的发展也变的越来越快。从第一代移动通信系统(1G)到现在具有极大发展潜力的第五代移动通信系统(5G)，通信的质量和速率也变的越来越高和越来越好，但是传统的技术已经渐渐跟不上人们对移动通信业务的需求了，所以5G的核心技术之一——大规模多输入多输出(MIMO)技术成为了现在的研究热点。大规模多输入多输出系统中的天线阵列数量规模达到了几十甚至上百，远远大于传统的MIMO系统，而这些天线阵列可以让无线信道的自由度变的更高，也就可以获得更高的稳定性和更快的传输速率。

在利用接收机解调出原始信号时，必须要保障接收机设计的合理性，而合理性体现在接收机的相干检测需要信道状态信息。然而在无线信道中的阴影衰落和频率选择性衰落会使得信道的随机性增大，给接收机的设计带来了困难。为了改善这样的情况，信道估计技术就显得尤其重要，因此信道估计算法的研究也是具有重要意义的。

信道估计技术一般划分为三类：基于导频的信道估计；盲信道估计；半盲信道估计。作为传统的基于导频的信道估计算法有基于最小二乘(LS)估计和最小均方误差(MMSE)估计。LS信道估计算法的优势在于算法十分简单，但是由于算法忽略了噪声造成的影响，会使得估计算法有比较大的估计误差。MMSE信道估计算法改进了LS信道估计算法的缺点，考虑了噪声的影响，能够获得较好的性能，但是由于计算量较大，会提高硬件的要求。目前也有着一些对于LS信道估计算法和MMSE信道估计算法的改进，例如有M Noh,Y Lee,H Park在2006年提出的一走好难过低复杂度的LMMSE信道估计算法和Y Kang,K Kim,H Park于2007年提出的基于离散傅里叶变换的信道估计算法。

机器学习是一种通过迭代的方式从数据中获得数据所隐含的内在模型和规律的数据分析方法，而信道估计算法的目的也是从有限的信道样本中估计信道增益所符合的分布模型。正因如此便可以将机器学习算法与信道估计算法结合起来，使的信道估计获得更好的性能。在目前利用机器学习来进行信道估计的研究中，仅有一种基于Bayes-GMM的信道估计算法，该信道估计算法可以获得不错的均方误差(MSE)性能，但在处理其中高斯混合模型(GMM)中的迭代初值时只是采取了一种平均的选取方式，正是由于这样的选取方式，导致该信道估计算法的收敛速度十分慢，同时也没有充分利用信道样本信息。

发明内容

针对上述的问题，本发明提出了一种基于智能迭代初值选择的信道机器学习算法，在选取GMM迭代初值时采取一种改进的K-means算法来确定迭代初值，在充分利用信道样本信息的前提下来改善算法的收敛性能和MSE性能。

为了达到上述目的，本发明是通过以下技术方案实现的：