一种多用户大规模mimo系统中的迭代信道估计方法
【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)模式下的单天线多 用户大规模MHTO (MU-Massive MHTO)系统的信道估计算法。
【背景技术】
[0002] 大规模M頂0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：（1)、 系统容量随着天线数量增加而增加；(2)、降低发送信号功率；（3)、简单的线性预编码器与 检测器即可达到最优性能；（4)、信道之间趋于正交化，因此消除了小区内同道干扰。
[0003] 实现这些优势的前提是BS知晓信道状态信息。在TDD系统中，利用上下行信道的 互易性在MS进行信道估计。因此，信道估计开销是独立于BS端的大规模天线阵天线数N 的，而只与用户数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：BS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BS。这种情况下，导频信号数与BS天线数N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。
[0004] 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M頂0系统信道估计的开销。
【发明内容】
[0005] 本发明是一种在贝叶斯压缩感知框架下利用多用户大规模MMO信道的联合稀疏 性降低信道估计开销的算法，其基本模型是一个BS服务多个用户，BS端配置了大规模天线 阵，移动用户为单天线。
[0006] 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 法的迭代算法进行信道估计，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。
[0007] 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：
[0008] 基站：BS。
[0009] 用户端：MS。
[0010] FDD多用户大规模M頂0信道估计的系统模型：
[0011] 系统有一个BS，K个移动MS，BS配置了具有N个天线的大规模天线阵，每一个移 动用户具有M个天线，BS在连续T个时隙内向各MS广播T个导频信号则T个时隙的训练 过程的矩阵表示Y j= H '+Nj，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，％为接收噪声信号矩阵。
[0012] 压缩感知的基本数学模型：
[0013] y = Αχ+η，其中，A是大小为mXn(m << η)的感知矩阵，y为mXl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, η是mX 1维的系统噪声且其元素服从均值为0,方差为σ 2的高斯分布。
[0014] 贝叶斯压缩感知模型：
[0015] 通过最大化边缘似然函数
[0016]
来得到先 验参数α，其中，I为单位矩阵，g卩，μ i表示μ = σ 2VATy μ的第i个元 *
I· IL 素，Vii表示V = ( σ 2ΑΤΑ+Λ) 1的第i个对角元，Λ = diag( α )，即由向量α的元素构成 对角元的对角矩阵。
[0017] 多用户大规模MIMO系统信道的联合稀疏性：
[0018] 在多用户MIMO系统中，由于BS端与MS端天线数的巨大差异，BS端与MS端对于散 射效应的反应也截然不同，呈现出BS端传播路径的稀疏性而MS端传播路径的丰富性。同 时，不同MS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。
[0019] BS端和MS端都配置了均匀直线阵（ULA)，根据M頂0信道的虚拟角 度域变换，将各MS对应的信道分解为：
，其中，URe C _和 UTe C NXN分别是MS端和BS端的角度域变换酉矩阵，酉矩阵U亦（p，q)元为：
，q e [0, N-1]，酉矩阵 Ur (a, b)的（a, b)元 为
a，b e [0，m-1]，是角度域的 信道矩阵。在大规模天线阵中，的行向量具有相同稀疏支持集合，即它们的非零元素的 位置完全相同且非零元服从零均值单位方差的复高斯分布。不同MS对应的不同信道矩阵 之间也存在着部分相关的关系，即各MS的稀疏支持集合存在交集。将第j个MS信道的稀 疏支持集合表示为Ω j，贝
I各MS的共同稀疏支持集合。
[0020] 一种迭代的多用户大规模MIMO系统信道估计方法，具体步骤如下：
[0021] Sl、初始化，具体为：
[0022] SlUBS 用 T 个时隙向 K 个 MS 广播 T 个导频信号 X = [χ(1)，χ(2)，· · ·，χ(1)，· · ·，χ(τ)] e Cnxt，其中，N为BS的天线数，X = UTXa，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，i = 1，2, 3, ...，T ;
[0023] S12、K个MS的接收信号为（Yj: j = 1，2, . . .，K}，Yj表示第j个MS的接收信号；
[0024] S13、进行符号转换其中，j = J J： .八'
1，2,... Κ，Φ表示压缩感知测量矩阵，S,*角度域信道矩阵的共辄转置，角度域信道矩阵为
E ,为等效高斯噪声矩阵，N ,为接收噪声信号矩阵；
[0025] S2、各MS共同稀疏支持集合联合估计，具体为：
[0026] S21、假设各MS拥有完全相同的稀疏支持集合，8卩Ω1= Ω 2=…=Ω K= Ω。，其 余各MS互不相同的稀疏支持当作噪声处理，其中
##是各MS的共同稀疏支持 集合；
[0027] S22、按照贝叶斯压缩感知算法，设第1个MS的稀疏信道服从超参数 为α 1= [ α α 2, . . .，a g, . . .，α Ν]τ的多变量高斯分布，即联合概率密度函数 其中，H1表示第1个MS与BS之间的信道，
表示信道向量的第g个元素，保^表示a倒数；
[0028] S23、设第j个MS的超参数与S22所述α篇1个MS成正比列，8卩a j = k j a i，其 中，kj为第j个MS的比例系数；
[0029] S24、联合考虑K个MS，根据 ，导出联合更新规则：
yg表示 μ的第g个元素，Vgg表示V的第g个对角元；
[0030] S25、得到各MS的后验均值和协方差矩阵夕
[0031] S26、输入S13所述4
，对S24-S25进行不小于0次迭代，得 到了共同位置的稀疏支持集合Ω。，其中，〇是经验值；
[0032] S3、各用户稀疏支持集合迭代估计，具体为：
[0033] S31、设置各MS稀疏支持集合迭代估计的迭代控制变量NltCT和最大迭代次数N set;
[0034] S32、共同位置信道状态信息更新，具体如下：
[0035] S321、根据S26所述Ω。，设第1个MS的共同位置上的信道状态值服从超参数为P1 的高斯分布，第j个MS的超参数与所述P1正比列，即β ^=CjP1，其中，Cj为第j个MS的 比例系数；
[0036] S322、得到信道状态值的更新规则：；
，其中，& # IofiI表示共同的稀疏支持个数；
[0037] S323、根捐
_.:1对共同位置上的系数进行估计；
[0038] S324、重复迭代S322-S323不小于0次，得到更新后的当前共同位置的信道状态的 估计值 ，'
[0039] S33、对每一个MS，减去S324所述μ^；的影响，单独估计非共同位置的稀疏支持集 合，具体如下：
[0040] S331、计算减去S324所述的影响后的残I
[0041] S332、移除测量矩阵Φ中对应于共同位置稀疏支持的列，得到;
[0042] S333、对于测量矩阵和残差R,，利用常规BCS估计，得到各MS非共同位置的信 道状态信息估计卩^7:
[0043] S334、各MS减去S333中估计出的非共同位置的稀疏支持的影响 - ~·
L·' -
[0044] S34、若NltCT彡N set，则返回S32继续往下执行，否则执行S35,其中，Nset是预先设 置的最大迭代次数；
[0045] S35、将M按照集合Ω。中的索引插入中，得到的结果即为角度域信道状态的 估计结果