一种大规模MIMO通信系统的联合信道估计和用户分组方法与流程

本发明属于无线通信领域，涉及一种多输入多输出(multi-inputmulti-output，mimo)通信系统的下行链路信道估计和用户分组方法，具体地说是一种基于稀疏贝叶斯学习的大规模mimo通信系统的联合信道估计和用户分组方法。

背景技术：

多输入多输出(multi-inputmulti-output，mimo)技术已成为未来通信系统的核心技术之一，同时也将是无线局域网标准所采用的核心技术之一。大规模mimo通信系统是指在基站覆盖区域内以大规模阵列方式集中放置数十根甚至数百根以上的天线。由于拥有数以百计的天线单元，大规模mimo系统的空间自由度较高，利用波束形成技术可以将能量集中于较小的区域，极大地提高了传输速率并改善了能量效率。大规模mimo系统有望从根本上解决移动通信的频谱效率和能量效率问题，其已成为5g移动通信的重要技术之一。

信道估计是通信信号检测和自适应传输的基础，对通信系统的性能起着至关重要的作用。由于基站的天线数较多，大规模mimo系统的下行链路信道估计变得异常困难，人们已尝试从稀疏信号恢复的角度，提出了一些基于稀疏贝叶斯学习的下行链路信道估计方法。例如在文献daij.,liua.,andlauv.k,fddmassivemimochannelestimationwitharbitrary2d-arraygeometry,ieeetransactionsonsignalprocessing,doi:10.1109/tsp.2018.2807390中提出了一种基于离格优化的稀疏贝叶斯学习的信道估计方法。但是，现有方法并不能满足实际应用需求，特别是：距离上相近的移动用户之间可能具有相似的稀疏特性，若能将具有相似稀疏特性的用户聚类为若干组，充分利用每组中相似的稀疏特性，可进一步提高信道估计的性能。

技术实现要素：

针对现有方法的不足，本发明将提出一种基于稀疏贝叶斯学习(sparsebayesianlearning,sbl)的大规模mimo通信系统的联合信道估计和用户分组方法。

用于实现本发明的技术解决方案包括如下步骤：

步骤1：基站采用一个具有n根天线的均匀线性阵列，下行链路中的k个移动用户采用单天线，在t个时刻内，基站发送导频信号矩阵x，则第k个移动用户接收到的信号为yk＝φwk+nk，k＝1,2,...,k。

步骤2：设置用户的组数为g，初始化迭代计数变量l＝1，初始化噪声精度α＝1，初始化各组的精度向量中的各元素为1，g＝1,2,...,g，初始化各用户独立的精度向量中的各元素为1，k＝1,2,...,k，初始化分组计数向量中的各元素为1/g，k＝1,2,...,k。

步骤3：迭代更新α，和g＝1,2,...,g,k＝1,2,...,k。

步骤4：判断迭代计数变量l是否达到上限l或α是否收敛，如果都不满足，则迭代计数变量l＝l+1，并返回步骤3。

步骤5：设置门限ηk，并利用该门限选取信道的有效角度集合ωk，k＝1,2,...,k。

步骤6：利用有效角度集合ωk，k＝1,2,...,k，估计最终的信道。

步骤7：输出最终的用户分组结果。

本发明的有益效果：

本发明能自动将具有相似稀疏特性的用户聚类为若干组，由于充分利用了每组中相似的稀疏特性，与现有方法相比，本发明能极大地改善信道估计的性能。

附图说明

图1是本发明实施流程图。

图2是200次蒙特卡洛实验条件下，信噪比为0db时，导频时刻t由30到80变化时，本发明与原始sbl方法分别估计信道的归一化均方根误差(nmse)比较。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

(1)基站采用一个具有n根天线的均匀线性阵列，下行链路中的k个移动用户采用单天线，在t个时刻内，基站发送导频信号矩阵x，则第k个移动用户接收到的信号为yk＝φwk+nk，k＝1,2,...,k，其中：

φ＝xa称为测量矩阵，

a＝[a(θ1),a(θ2),...,a(θn)]，

a(θi)＝[1,exp(-jπsin(θi)),...,exp(-jπ(n-1)sin(θi))]^t，

表示均匀划分的n个网格点，即

是与第k个移动用户分组有关的稀疏表示向量，表示与第k个移动用户分组独立的稀疏表示向量，

nk表示第k个移动用户对应的一个均值为0，精度为α的高斯白噪声向量。

(2)设置用户的组数为g，初始化迭代计数变量l＝1，初始化噪声精度α＝1，初始化各组的精度向量中的各元素为1，g＝1,2,...,g，初始化各用户独立的精度向量中的各元素为1，k＝1,2,...,k，初始化分组计数向量中的各元素为1/g，k＝1,2,...,k。

(3)迭代更新α，和g＝1,2,...,g,k＝1,2,...,k，即：

其中：

tr(·)表示矩阵的迹，||·||2表示矩阵的2范数，(·)h表示共轭转置，diag(·)表示对角阵运算，a＝b＝ρ＝0.0001，

表示的前n个元素组成的子向量，表示的后n个元素组成的子向量，

表示的前n行前n列组成的子矩阵，表示的后n行后n列组成的子矩阵，表示的前n行后n列组成的子矩阵，表示的后n行前n列组成的子矩阵,

表示的第i个元素，表示的第i个对角线元素，

表示的第i个元素，表示的第i个对角线元素，

(4)判断迭代计数变量l是否达到上限l(例如l＝100)或α是否收敛(即当次更新结果与上次更新结果是否相等)，如果都不满足，则迭代计数变量l＝l+1，并返回(3)。

(5)设置门限k＝1,2,...,k，其中表示中第i个值最大的元素，并利用该门限选取信道的有效角度集合k＝1,2,...,k，其中表示中第i个元素。

(6)利用有效角度集合ωk，估计最终的信道：k＝1,2,...,k，其中表示由矩阵中集合ωk对应的列向量组成的子矩阵，表示矩阵的广义逆。

(7)输出最终的用户分组结果：zk中值最大元素所在的位置对应于第k个用户的分组，k＝1,2,...,k。

下面结合仿真实验对本发明的效果做进一步说明。

为了评估本方法的性能，假设基站采用了一个具有n＝80根天线的均匀线性阵列，k＝30个移动用户数随机均匀划分为g＝4组，下行链路的工作频率为2170mhz，无线信道由3gppspatialchannelmodel(scm)模型随机产生，基站发送导频信号矩阵x的每个元素服从零均值单位方差的独立高斯分布，背景噪声假设为高斯白噪声。

实验条件

采用本发明在信噪比为0db，导频时刻t由30到80变化时对信道进行200次估计，仿真结果如图2所示。

实验分析

从图2可以看出，本发明能精确地估计出大规模mimo通信系统的信道信息，其nmse性能明显优于传统方法。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。