[发明专利]一种基于稀疏贝叶斯学习的信道估计方法

权利要求书

1.一种基于稀疏贝叶斯学习的信道估计方法，其特征在于，包括如下步骤：

步骤A、利用毫米波信道的稀疏特性进行信道建模，并构造对应的可重构智能超表面(Intelligent Reflecting Surface，RIS)辅助的多输入-多输出(Multiple-InputMultiple-Output，MIMO)通信系统模型；

步骤B、首先构造信道的两层稀疏先验信息，然后对参数的联合后验概率密度函数进行因式分解，最后根据因式分解画出相应的因子图模型；

步骤C、针对步骤B中的因子图模型，结合酉变换近似消息传递，使用稀疏贝叶斯算法框架进行信道估计；

步骤D、重复步骤C，直到算法收敛。

2.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法，其特征在于：在步骤A中，考虑一个RIS辅助的上行毫米波通信系统，其中配备了N个反射单元的RIS平面被布置在具有M根天线的基站和K个用户之间；基站和RIS间的信道为RIS和用户间的信道为假设基站端的天线使用了均匀线性阵列，RIS使用了N₁×N₂的均匀平面天线阵列，其中N＝N₁N₂，则G具体表示为：

其中，ρ表示平均路径损耗，P为路径数，ζ_p表示第p路径上的增益，ψ_p为到达角，θ_p和γ_p为离开角，a_B(φ_p)和a_R(θ_p，γ_p)分别表示基站和RIS的响应矢量，即

a_B(φ_p)＝e_M(sin(ψ_p))

且λ和d分别表示波长和天线间隔，则信道在角度域的表示形式为：

其中，表示离散傅里叶变换矩阵，表示包含P个非零元素的稀疏矩阵，同样地，第k个用户和RIS之间的信道可表示为：

且可在角度域表示为：

h_k＝F₂σ_k，

将扩展为矩阵形式，即：

H＝F₂∑.

其中，考虑RIS具有L个相位配置状态，则相干时间内基站端的接收信号表示为：

Y_l＝GDiag([Φ]_l，：)HX+W_l，

其中，Φ_l，：表示相移矩阵的第l行，W_l表示均值为0，噪声精度为β的加性高斯白噪声，去除导频信号并向量化可得：

其中，将记作矩阵形式，对其进行转置，得到：

Y＝ΦS+W.

其中，

3.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法，其特征在于：在步骤B中，对于角度域稀疏信道参数{σ_n，k}和{ω_m，n}，假设二者均服从高斯分布，即：

且方差和均服从Gamma分布：

其中，和是对应概率密度函数中的超参数，对相移矩阵Φ进行SVD分解，即Φ＝UΛV，进而可得Y＝UΛVS+W，整理后得到

其中，R＝U^HY，Ψ＝U^HΦ＝ΛV，在接收矩阵Y给定情况下，信道H和G、角度域稀疏矩阵Ω和∑、方差矩阵Γ^g和Γ^h、中间变量S和Z以及噪声精度β的联合后验概率密度函数的因式分解为：

然后，根据因式分解的结果可画出相应的因子图模型。