一种基于贝叶斯方法的多用户大规模mimo信道估计方法
【技术领域】
[0001] 本发明属于无线通信技术领域，尤其涉及一种频分双工（FDD)模式下的多用户大 规模M頂0 (MU-Massive M頂0)系统的信道估计方法。
【背景技术】
[0002] 大规模Mnro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。则信道估计开销是独立于基站端的大规模天线阵天线数 N的，只与用户数K有关。因此TDD系统中，信道估计的开销不会造成系统的负担。而对于 FDD大规模MMO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MMO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，甚至超过信道的想干时间，使得信道估计失去意义。
[0003] 由于大规模MMO系统信道的稀疏性，利用基于稀疏信号恢复技术的信道估计 方法可以大量减少FDD大规模MMO系统信道估计的开销。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，然后通过非线性算法完美重构信号。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)。Wipf证明，BCS等价于一种迭代加权Ll最小化算法， 而Ll算法仅仅只是其第一步，而Candes等人指出，迭代加权Ll最小化算法更易获得真正 的最稀疏解。因此，与其他基于LI最小化的算法相比，BCS具有显著的优势。
[0004] 如图1所示，在多用户MMO系统中，由于基站端与用户端天线数的巨大差异，基站 端与用户端对于散射效应的反应也截然不同，呈现出基站端传播路径的稀疏性而用户端传 播路径的丰富性。同时，不同用户之间由于部分接收到相同的散射体的散射信号，其信道之 间存在着部分相关的特性，这就是多用户大规模MIMO系统信道的联合稀疏性。
【发明内容】
[0005] 在多用户大规模MMO系统中，本发明利用信道的联合稀疏性，引入基于贝叶斯方 法的稀疏信号重构算法进行信道估计，大大减少了信道估计的开销，使得信道估计的时间 远小于信道的相干时间。
[0006] 为了方便地描述本发明的内容，首先对本发明使用的术语、系统和模型进行介 绍：
[0007] 基站：BS。
[0008] 用户端：MS。
[0009] FDD多用户大规模M頂0信道估计系统模型：
[0010] 假设需要估计的信道是平坦块衰落的，即在某段时间内信道状态不变。
[0011] 系统有一个BS，K个MS，所述BS配置了具有N个天线的大规模天线阵，每一个MS 具有M个天线，则FDD多用户大规模M頂0信道估计的数学模型可以表示为Yj= H，其 中，Yj表示第j个MS的接收信号矩阵，H j表示BS与第j个MS之间的信道矩阵，X为导频信 号，Nj为接收噪声信号矩阵。
[0012] 标准压缩感知数学模型：
[0013] y = Αχ+η，其中，A是大小为mXn的感知矩阵，y为mX 1维压缩信号，X为nX 1 维的稀疏信号，其稀疏度为s，即X中只有s << η个元素非零，其余元素全部为0，n是mXl 维的系统噪声且其元素服从均值为〇,方差为σ 2的高斯分布，m << η。
[0014] 一种基于贝叶斯方法的多用户大规模ΜΙΜΟ信道估计方法，包括如下步骤：
[0015] Sl、初始化，具体为：
[0016] SlUBS用T个时隙向K个MS广播T个导频信号X= [χω，χ(2)，…，xm] e CNXT， 其中，N为BS的天线数，X = UTXa，酉矩阵
P，q e [0，N-l]，Xae Cnxt的元素即从集合
中以等概率抽取，P为每个时隙 的导频信号功率；
[0017] S12、K个MS的接收信号矩阵为{Yj:j = 1，2, ...，KhYj表示第j个MS的接收信 号矩阵；
[0018] S13、进行符号转换，令
，其中，j = 1，2,... K，酉矩阵
Φ表示 压缩感知测量矩阵，角度域信道矩阵的共辄转置，角度域信道矩阵为?ζ = UfH7Ur， EjS等效高斯噪声矩阵，N ^为接收噪声信号矩阵；
[0019] S2、各用户稀疏支持集并行估计，即利用多任务BCS算法分别估计K个MS的稀疏 支持集合，得到K个估计的信道稀疏支持集合，表示为Ω?，Ω' 2，...Ω'λ.，其中，t表示中间量；
[0020] S3、确定共同的稀疏支持集合，即由公式
丨确定出 共同的稀疏支持集合，其中，S。= I Ω。I表示共同的稀疏支持个数，表示共同稀疏支持集 合的估计，d是求和变量，IA( ·)为示性函数；
[0021] S4、进行非共同稀疏支持集合并行估计，具体为：
[0022] S41、根据公式
计算各MS压缩信号残差，其中，I 为单位矩阵，表示S13所述Φ中位置索引集合为的列；
[0023] S42、定义K个空集迭代更新（S]-SJ次，得到K个MS的非共同稀疏支 持集合Ω；；，其中， s]= I Ω , I表示第j个用户的稀疏支持个数；
[0024] S5、计算各用户候选稀疏支持集合
；：
[0025] S6、利用S5所述自适应地重新估计各用户信道稀疏支持，具体为：若S5所述
，则稀疏支持集合的估计
，则利用胃作为测量矩阵重新 利用BCS估计各用户信道稀疏支持集合，估计结果为?ρ其中，表示S13所述Φ中位 置索引集合为的列；
[0026] S7、多用户大规模MMO信道估计，各用户的信道估计结果为
其中，I中索引为^的行由公式I 计算出来，而剩余行全部为0。 J J
[0027] 进一步地，S42所述迭代更新过程具体为：
[0028] S421、令：
"其中，％表示S13所述Φ的第g列；
[0029] S422、更新压缩信号残_
<
[0030] 本发明的有益效果是：
[0031] 本发明将信道估计的开销降低到了传统信道估计方法的20%左右，信道估计的 时间远小于信道的相干时间，使得大规模MMO信道估计在实际中的实现变得可能。
【附图说明】
[0032] 图1是多用大规模M頂0信道联合稀疏性示意图及其物理图景。
[0033] 图2是算法流程不意图。
[0034] 图3是本发明算法和其余稀疏信号重构算法实施于多用户大规模MMO系统在不 同训练开销下的性能对比图。
[0035] 图4是本发明算法和其余稀疏信号重构算法实施于多用户