一种基于2维簇结构的稀疏贝叶斯学习信道估计方法

技术领域

本发明属于无线通信技术领域，具体涉及适用于大规模多输入多输出正交时频空系统的基于2维簇结构的稀疏贝叶斯学习的上行信道估计方法。

背景技术

《国际电子与电气工程师协会通信研究与指导》(″Next Generation 5G WirelessNetworks：A Comprehensive Survey.″in IEEE Communications Surveys&Tutorials，vol.18，no.3，pp.1617-1655，thirdquarter 2016.)指出，大规模多输入多输出系统可以极大地提高无线通信容量，适合于满足第五代移动通信技术甚至第6代的高吞吐量需求。正交频分复用调制应用到大规模多输入多输出系统可以满足大规模数据传输需求；但《国际电子与电气工程师协会无线通信与网络会议》(“Orthogonal Time Frequency SpaceModulation.”2017IEEE Wireless Communications and Networking Conference(WCNC)IEEE，2017.)指出，在高速场景中，由于多普勒频偏引起的载波间干扰会导致现有的正交频分复用调制的性能将不再理想，因而提出了调制的替代方案正交时频空。在正交时频空调制的背景下，完成信道估计获取信道信息非常重要。《国际电子与电气工程师协会通信选定领域期刊》(″Uplink-Aided High Mobility Downlink Channel Estimation OverMassive MIMO-OTFS System.″in IEEE Journal on Selected Areas inCommunications，vol.38，no.9，pp.1994-2009，Sept.2020)提出了从形成角度域和延迟域的网格来提取所需的信道参数，从而利用信道参数恢复信道信息的基于期望最大化的变分贝叶斯方法。但是该方法没有考虑角域和延迟域稀疏性的内在结构。目前的大规模多输入多输出正交时频空系统存在着忽略多维间稀疏性的问题，进而会导致估计结果的不准确。

发明内容

本发明提出一种大规模多输入多输出正交时频空系统下基于2维簇结构的稀疏贝叶斯学习信道估计方法，以减小在高多普勒的传输条件下多普勒频偏对信道估计准确性的影响，并且通过利用多普勒域和角域的内在联合稀疏性进一步提高估计结果的准确度。

本发明基于2维簇结构的稀疏贝叶斯学习信道估计方法，其特征在于：

对于一个大规模多输入多输出正交时频空系统，其中单基站配备N

其中，d是基站的天线间距，λ是载波波长；则对应的信道函数表示为：

其中，i是信道的延迟域抽头索引；T

该系统中的用户向基站发送导频；训练信号设为x，

其中w

设角域有G

同时，导频矩阵C随时间的变化：

其中，

Y＝TQC+W (6)

其中，

y

并且

y＝Φq+w (8)

在上述白复高斯设定下，存在以下分布：

其中，

信道的恢复过程如下：

第一步：将信号恢复问题转化为函数最大化问题；

(1)令Y＝{y}为观测数据，隐变量和超参数分别表示为

(2)根据变分期望最大化方法，进行以下分解：

ln p(Y|A)＝F(q(X)，q(Ξ))+KL(q(X)q(Ξ)||p) (10)

其中，F(q(X)，

(3)KL(q(X)q(Ξ)||p)＞0，F(q(X)，q(Ξ))是函数ln p(Y|Λ)的下界；优化X和Ξ问题转化为最大化F(q(X)，q(Ξ))问题；

第二步：利用如下所示的算法步骤进行迭代求解；

输入y，a＝b＝d＝10

在第κ+1次迭代中，

(1)更新θ：

(2)更新z：

其中，

(3)更新α：

其中，a

(4)更新α

α

其中，c

(5)更新ζ：ζ

因此，

在迭代过程中，若κ＞κ

其中，Ω＝a

最终，输出估计结果

第三步：获得参数信息进行重构；

得到恢复的

本发明大规模多输入多输出正交时频空系统下2维簇结构的稀疏贝叶斯学习信道估计。该信道估计方法考虑了多普勒角域中的2维簇结构，这在现有的信道估计工作中是没有考虑的。本方法在多普勒和角域中部署网格来提取信道中的信道参数并将大规模多输入多输出正交时频空系统中的信道估计问题描述为2维簇稀疏问题；由于2维簇的性质，采用局部贝塔过程来描述稀疏信号的内在结构；再稀疏贝叶斯学习来解决估计问题，并且提出了一种基于局部贝塔过程的层次贝叶斯信道信息获取方法。采用层次结构使模型中的超参数具有可追踪性；最终利用的参数完成信道估计。信道估计的结果和现有的大规模多输入多输出正交时频空系统的信道估计结果相比准确性有理想的提升。

附图说明：

图1为在不同的信噪比(SNR)设置下，本发明方法与已有的大规模多输入多输出正交时频空系统信道估计的均方误差(MSE)性能的对比图；

图2为在不同速度的设置下，本发明方法与已有的大规模多用户多输入多输出正交时频空系统信道估计的均方误差(MSE)性能的对比图的对比图。

具体实施方式

下面结合附图通过实施例对本发明大规模多输入多输出正交时频空系统下2维簇结构的稀疏贝叶斯学习信道估计方法进行进一步的详细描述和具体说明。

实施例1：

为了便于理解方法的具体实施，先简要阐述本方法中信道呈现2维联合稀疏性的原因。在实际的传播散射体环境中，由于存在较大的角扩散，导致角域内出现稀疏簇状分布，角扩展的存在导致多普勒扩展，多普勒域中的簇结构是随着不断变化的离开角而产生；因而，信道在一段时隙内在多普勒角域中显示2维联合稀疏簇结构。局部贝塔过程通常用于解决伯努利过程的二元聚类问题，局部贝塔过程描述了稀疏矩阵的整体系数；本方法中利用局部贝塔过程来把握2维联合稀疏性。此外，2维联合稀疏性映射到网格中形成了簇结构网格。这一类型的稀疏问题适合用稀疏贝叶斯解决，即利用概率统计知识，引入参数化先验进行稀疏表达。

下面具体介绍本发明如何构建有2维簇结构的网格结构并以此利用稀疏贝叶斯学习进行信道估计。

对于一个大规模多输入多输出正交时频空系统，其中单基站配备N

其中，d是基站的天线间距，λ是载波波长；则对应的信道函数表示为：

其中，i是信道的延迟域抽头索引；T

该系统中的用户向基站发送导频；训练信号设为x，

其中w

设角域有G

同时，导频矩阵C随时间的变化：

其中，

Y＝TQC+W (6)

其中，

y

并且

y＝Φq+w (8)

在上述白复高斯设定下，存在以下分布：

其中，

信道的恢复过程如下：

第一步：将信号恢复问题转化为函数最大化问题；

(1)令Y＝{y}为观测数据，隐变量和超参数分别表示为

根据变分期望最大化方法，进行以下分解：

ln p(Y|Λ)＝F(q(X)，q(Ξ))+KL(q(X)q(Ξ)||p) (10)

其中，

(3)KL(q(X)q(Ξ)||p)＞0，F(q(X)，q(Ξ))是函数ln p(Y|Λ)的下界；优化X和Ξ问题转化为最大化F(q(X)，q(Ξ))问题；

第二步：利用如下所示的算法步骤进行迭代求解；

输入y，a＝b＝d＝10

在第κ+1次迭代中，

(1)更新

(2)更新z：

其中，

(3)更新α：

其中，a

(4)更新α

α

其中，c

(5)更新ζ：ζ

因此，

在迭代过程中，若κ＞κ

其中，Ω＝a

最终，输出估计结果

第三步：获得参数信息进行重构；

得到恢复的

下面利用仿真对本发明大规模多输入多输出正交时频空系统下基于2维簇稀疏的稀疏贝叶斯学习信道估计方法和现有的该系统下信道估计方法进行对比。所对比的指标是均方误差。

本实施例大规模多输入多输出正交时频空系统下基于2维簇稀疏的稀疏贝叶斯学习信道估计方法仿真具体设置如下：

对于不同的信噪比的仿真，基站天线数为64，采样时间周期设置为0.5μs，信道中主路径数为3，每个主路径中包含2条子路径，用户速率为100km/h，训练信号长度为8，发射功率经过归一化处理，信噪比是对数函数的形式表现。

对于不同速度的仿真，信噪比为20dB，以速度为50，100，200，300，400km/h进行仿真，其余参数与之前设置不变。

图1为在不同的信噪比下，采用本发明方法与已有的估计方法的均方误差对比结果，其中最上面菱形标记的实线A1表示现有的估计方法基于期望最大化的变分贝叶斯方法，最下面圆形标记的实线A2表示本发明方法。从附图1可以看出，采用本发明方法的大规模多输入多输出正交时频空系统的均方误差比采用基于期望最大化的变分贝叶斯方法的更小。并且在低信噪比条件下，图1曲线表明，本方法具有较强的自适应能力。

图2对比了不同的速度的情况下，采用本发明方法与已有方法的均方误差。其中最上面点虚线B1表示基于期望最大化的变分贝叶斯方法，最下面的虚线B2表示本方法。从附图2可以看出，相同的速度下，采用本发明方法的大规模多输入多输出正交时频空系统检测的均方误差更小，随着速度的增大，多普勒频移增大，导致信道支持沿多普勒域方向扩展。因此，需要更多的观测数据来保持均方误差的恒定，这导致均方误差曲线随速度的增加有轻微上升，但相较之前的方案变化并不明显，该方法对高移动性场景具有较强的适应性。

通过上面的实施例，证明了在高速信道场景下本发明基于2维簇的贝叶斯学习信道估计与现有的信道估计方法相比，由于利用信道多普勒域和角域的联合稀疏性，进行参数恢复信道，拥有更精确的信道估计结果且在信道处于低信噪比和高速率时都能有理想的性能。