一种分布式压缩感知稀疏时变信道估计方法
文献发布时间:2024-04-18 19:58:53
技术领域
本发明涉及无线通信技术领域,具体涉及一种分布式压缩感知稀疏时变信道估计方法。
背景技术
多输入多输出(MIMO)技术通过在发射端和接收端使用多根天线实现在不拓展带宽前提下显著提高系统的数据传输速率、增加信道可靠性。比如,在现在流行的第5代(5G)无线系统中,多输入多输出技术作为5G无线系统的核心技术之一,大规模多天线系统通过在基站端配置大量天线实现了更高的容量和更高的可靠性,其优势依赖于信道估计技术来获取精确的信道状态信息。然而由于发射机和接收机之间的信号传播路径复杂且多变,无线信道相对有线信道具有较强的随机性,很难进行分析。信号在传播过程中会受到多径时延与衰落的影响,为了实现在接收端的正确检测,信道估计技术在通信系统中十分关键。良好的信道状态信息是充分发挥大规模MIMO技术潜在优势的前提。因此研究具有高性能的信道估计方法具有重要意义。如,中国专利:CN116319196B、CN115776424B和CN114500184B。
然而,随着数字化时代的不断发展与维度的不断增大,需要被估计的信道矩阵的维度也随之急剧增大,导致在有限的相干时间内完成高维信道估计面临严峻的挑战,信道估计实时性差、精度低和独立性差。
发明内容
鉴于上述问题,本发明提供了一种分布式压缩感知稀疏时变信道估计方法,解决了现有技术中的信道估计方法在有限的相干时间内完成高维信道估计时估计实时性差、精度低和独立性差的问题。
本发明提供了一种分布式压缩感知稀疏时变信道估计方法,包括以下具体步骤:
步骤1,建立基于马尔可夫切换有向拓扑图的系统模型;
步骤2,建立系统模型中各个装置需要估计的稀疏信道传输矩阵的演化过程模型;
步骤3,基于各个装置需要估计的稀疏信道传输矩阵的演化过程模型,建立各个装置的观测模型;
步骤4,给定压缩感知矩阵、各个装置的初始稀疏输入信号、初始高维矩阵估计值和初始正定信息矩阵;基于压缩感知矩阵和各个装置的初始高维矩阵估计值获得初始赋权平均估计值;基于各个装置的初始稀疏输入信号、初始高维矩阵估计值、初始正定信息矩阵和初始赋权平均估计值,获得初始分布压缩感知稀疏估计;
步骤5,令
步骤6,基于第
步骤7,判断
可选地,步骤1中基于马尔可夫切换有向拓扑图的系统模型
;
其中,
可选地,步骤2中各个装置需要估计的稀疏信道传输矩阵的演化过程模型的表达式为:
其中,
可选地,步骤3中各个装置的观测模型的表达式为:
其中,
可选地,步骤4中使用压缩感知矩阵M对第
;
其中,
可选地,步骤6中基于第
步骤61,获取第
步骤62,基于第
步骤63,第
步骤64,使用还原误差范数的值为目标函数对更新赋权平均估计参数
可选地,步骤61中,使用压缩感知矩阵
其中,
可选地,步骤61中使用步骤3的观测模型获取第
可选地,步骤62中基于第
其中,
可选地,步骤63中第
其中,
与现有技术相比,本发明至少具有现如下有益效果:
(1)本发明的方法对分布式不同的数据源信息进行融合,解决了现有的信道估计方法都是基于对单一或同质数据源进行估计的问题,提高了实际所需辨识精度。
(2)本发明的方法利用高维信道矩阵的结构特性(如低秩性和稀疏性)解决了多径时延扩展容易造成的频率选择性衰落和多普勒频移造成时间选择性衰落导致的信道时变问题,提高了高维信道估计的精度。
(3)本发明的方法考虑回归向量的稀疏性等特点,采用压缩感知理论解决了现有的方法中基于原始高维稀疏回归向量容易产生激励不足等问题,回归向量需要满足独立性等严苛的统计假设等问题,提高了估计性能与频谱利用率。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明的分布式压缩感知稀疏时变信道估计方法的流程图。
图2为本发明的5个装置在不同时刻的信息交流示意图。
图3为本发明的分布式压缩感知稀疏时变信道估计方法(压缩的FFLS算法)与现有技术及中非合作压缩感知算法的估计误差对比图。
图4为本发明的分布式压缩感知稀疏时变信道估计方法(压缩的FFLS算法)与其他算法的估计误差对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例,如图1-图4,提供了一种分布式压缩感知稀疏时变信道估计方法,包括以下具体步骤:
步骤1,建立基于马尔可夫切换有向拓扑图的系统模型
;
其中,
本发明加入第t时刻的时齐马尔可夫随机切换过程
可选地,系统模型的
步骤2,建立各个装置需要估计的稀疏信道传输矩阵的演化过程模型,表达式为:
其中,
进一步地,信道传输矩阵在第
步骤3,基于各个装置需要估计的稀疏信道传输矩阵的演化过程模型,建立第
其中,
可以理解的是,如图2所示,设第
进一步地,估计稀疏信道传输矩阵包含信号传输过程中的变化信号。
步骤4,给定压缩感知矩阵、各个装置的初始稀疏输入信号、初始高维矩阵估计值和初始正定信息矩阵;基于压缩感知矩阵和各个装置的初始高维矩阵估计值获得初始赋权平均估计值;基于各个装置的初始稀疏输入信号、初始高维矩阵估计值、初始正定信息矩阵和初始赋权平均估计值获得初始分布压缩感知稀疏估计;
优选地,初始高维矩阵估计值
使用压缩感知矩阵
;
其中,
第
进一步地,压缩感知矩阵
其中,
本发明使压缩感知矩阵
步骤5,令
步骤6,基于第
步骤61,获取第
具体地,使用压缩感知矩阵
其中,
优选地,第
使用步骤3的观测模型获取第
步骤62,基于第
其中,
可以理解的是,
步骤63,第
其中,
步骤64,使用还原误差范数
其中,
优选地,第
步骤7,判断
本发明基于压缩感知技术,利用压缩感知矩阵对原始高维稀疏信号进行压缩,并在压缩低维空间构造分布式自适应滤波算法,利用重构原理构建原始高维估计;并融合了不同的数据源信息,克服了基于原始高维稀疏随机信号激励不足的难点,不需要随机信号的独立性等严苛的统计假设,实现了以较少的采样实现与全采样同等的信号处理效果,突破了传统的奈奎斯特采样频率限制,具有实时性强,精度高等有点。
为了说明本发明所提方法的有效性,以下对本发明的上述技术方案进行有效性验证,具体实施步骤如下:
构建第
;
其中,
将各项参数分别合并为维数扩大
,包含t时刻各装置对压缩的信道传输矩阵的估计值的误差;
,包含了各装置输入信号的全部信息;/>
表示将邻接矩阵/>
,包含了各装置在邻居信息交流后更新的信息;/>
,包含了t时刻各装置压缩后的输入信号;/>
,包含t时刻各装置的测量误差;/>
,将信道传输矩阵改变量的维数扩展到与其他符号一致;得到只与时刻/>
构建全部装置信息的递推误差方程,表达式为:
其中,
包含t+1时刻各装置对压缩的信道传输矩阵的估计值的误差;/>
本发明对第
结合给出的压缩的激励条件,可以得到以下结论:
设
表示由
表示s时刻信道传输矩阵改变量;/>
压缩感知矩阵
其中,
可以看出当
在相同的条件下,进一步考虑还原后的原始高维参数估计值
可得到本方法下估计误差的界为:
。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。