面向大规模MIMO的模型驱动S-CSI估计方法、设备及基站

本发明属于无线通信领域，更具体地，涉及面向大规模mimo的模型驱动s-csi估计方法、设备及基站。

背景技术：

1、移动互联网的快速发展得益于移动通信技术的不断进步，而由此产生的经济效益与社会变革进一步促使更多学者将目光转向前沿通信技术。自20世纪80年代至今，移动通信技术已经由第一代发展到了第五代(5th generation,5g)。并且，学术界和工业界正逐步开展对第六代移动通信的技术预研。

2、国际电信联盟定义了5g的三大应用场景：增强移动宽带(enhanced mobilebroadband,embb)、超高可靠低时延通信(ultra reliable low latency communication,urllc)和海量机器类通信(massive machine type communication,mmtc)。为了满足上述应用场景的性能需求，大规模多输入多输出(multiple-input multiple-output,mimo)技术被引入，成为5g关键技术之一。大规模mimo系统一般在基站端部署由数百根天线组成的天线阵列，更多的天线带来了更大的空间自由度，可以进一步提高传输速率和通信可靠性。通过随机矩阵理论可以证明，当基站的天线数量趋近于无穷时，仅通过简单的线性信号检测和适当的收发机设计，就可以使得单根天线的发射功率趋近于零，从而避免多用户干扰，极大地提升系统容量。

3、为了实现大规模mimo技术的诸多优势，例如，快速准确地确定用户的发射信号等，准确获取统计信道状态信息(statistical channel state information,s-csi)至关重要。从信息论的角度可以证明，为了获得相同的性能，在基站端已知完美csi的条件下，每个单天线用户的发射功率与基站端的天线数量成反比；而当csi不完全已知时，用户发射功率与基站天线数量的平方根成反比。因此，获取准确的csi可以极大地提升系统的信道容量和能量效率。

4、然而，文献调研表明，现有的关于s-csi估计的研究大多基于大规模mimo系统信道具有广义平稳特性这一假设，即s-csi在一段较长的时间内保持稳定，如“an overview ofmassive mimo:benefits and challenges”。但是，实际场景下的s-csi并不满足该假设。若小区内的用户分布较近且周围的散射环境相似，则所有用户具有相同的s-csi。由于用户终端的周围存在着固定散射体(如大型建筑)和可变散射体(如临时停放的车辆)，而可变散射体以一定的概率出现或者消失，这导致用户周围的散射环境会随时间发生变化。另外，用户群在小区内移动同样会改变用户周围的通信环境。上述原因均使得所有用户的s-csi随时间改变，大规模mimo信道表现出时间非平稳特性。此时，基于广义平稳假设所提出的算法，如论文“beam division multiple access transmission for massive mimocommunications”和“robust linear precoder design for 3d massive mimo downlinkwith a posteriori channel model.ieee transactions on vehicular technology”中所提出的s-csi估计方法难以适用，估计效果较差。

5、现有的非平稳s-csi估计方法往往假设s-csi相比于瞬时信道状态信息(instantaneous channel state information,i-csi)变化慢得多，可通过获取多个时刻的i-csi拟合该时间段的s-csi。而在实际应用中，mimo系统往往规模较大，这类方法假设信道的统计特性变化较慢，信道矩阵中的元素在较长时间内都服从相同的分布，并不适用于信道统计特性变化较快的大规模mimo系统。

6、综上所述，为了有效提升大规模mimo通信系统的性能，以更好地在移动通信中应用大规模mimo技术，亟需提出一种适用于大规模mimo通信系统中非平稳信道的统计信道状态信息估计方法。

技术实现思路

1、针对现有技术的缺陷和改进需求，本发明提供了面向大规模mimo的模型驱动s-csi估计方法、设备及基站，其目的在于，提出一种适用于大规模mimo通信系统中非平稳信道的统计信道状态信息(s-csi)估计方法，以有效提升大规模mimo通信系统的性能。

2、为实现上述目的，按照本发明的一个方面，提供了一种面向大规模mimo的模型驱动s-csi估计方法，包括：

3、(s1)获取已知s-csi下的基站端接收信号，作为聚类辅助数据；

4、(s2)利用聚类辅助数据确定s_0个s-csi对应的聚类中心，收集基站端l个时刻的接收信号，作为观测数据，根据s_0个聚类中心对观测数据进行聚类，得到s个聚类类别；s_0表示用户的s-csi上限值，s≤s_0；l为预设正整数；

5、(s3)设置chmm的隐状态数量为s，并初始化chmm的模型参数；模型参数中，初始的协方差矩阵集合由各聚类类别的协方差矩阵构成；

6、(s4)对chmm的模型参数进行迭代更新，并根据迭代更新后的模型参数求解各时刻的隐状态，得到隐状态序列；

7、(s5)根据隐状态序列计算各时刻用户的s-csi，得到s-csi序列；

8、其中，对于任意t时刻，记该时刻用户的s-csi为zt，则zt的计算方式包括：根据t时刻的隐状态qt确定对应的协方差矩阵提取其对角线元素根据预先确定的与zt间的对应关系计算zt。

9、进一步地，步骤(s1)包括：

10、(s11)初始化s-csi＝1；

11、(s12)令小区内用户的发射信号矢量为xt∈rn×1，根据当前s-csi生成小区内用户到基站端的上行信道矩阵生成相应的接收信号为yt＝htxt；m和n分别表示基站天线数量和小区内用户数量；表示第i个用户的信道矢量；

12、(s13)重复执行(s12)，生成当前s-csi下的多个接收信号，作为当前s-csi对应的聚类辅助数据；

13、(s14)若s-csi的取值小于s_0，则将s-csi的取值增加1后，转入步骤(s12)；否则，聚类辅助数据生成完成。

14、进一步地，步骤(s2)中，利用聚类辅助数据确定s_0个s-csi对应的聚类中心，包括：对于每一个s-csi，执行以下步骤：

15、确定当前s-csi对应的聚类辅助数据和观测数据，以其中的接收信号为图的顶点，构造带权的完全图；带权的完全图中，任意两顶点之间的权值为对应接收信号间的欧式距离；

16、构造带权的完全图的最小生成树，计算最小生成树中各顶点的均值，作为当前s-csi对应的聚类中心。

17、进一步地，步骤(s2)包括：

18、(s21)利用聚类辅助数据确定s_0个s-csi对应的聚类中心；

19、(s22)根据当前确定的s_0个聚类中心对观测数据进行初步聚类，将观测数据划分为多个聚类类别；

20、(s23)重复执行步骤(s21)～(s22)，直至聚类所得聚类类别不再发生变化。

21、进一步地，步骤(s22)中，根据当前确定的s_0个聚类中心对观测数据进行初步聚类时，采用k-means聚类。

22、进一步地，预先确定的与zt间的对应关系为：

23、

24、其中，ptotal表示小区内用户的发射功率矢量，σn表示白噪声信号的标准差。

25、进一步地，步骤(s4)中，采用baum-welch算法迭代更新chmm的模型参数。

26、进一步地，步骤(s4)中，根据迭代更新后的模型参数求解各时刻的隐状态时，采用维特比算法。

27、按照本发明的又一个方面，提供了一种面向大规模mimo的模型驱动s-csi估计设备，包括：

28、计算机可读存储介质，用于存储计算机程序；

29、以及处理器，用于读取计算机可读存储介质中存储的计算机程序，执行本发明提供的面向大规模mimo的模型驱动s-csi估计方法。

30、按照本发明的又一个方面，提供了一种基站，其搭载有本发明提供的面向大规模mimo的模型驱动s-csi估计设备。

31、总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

32、(1)本发明首先将基站端收集到的接收信号聚类为与s-csi一一对应的多个聚类类别后，基于聚类类别及其数量设置连续的隐马尔可夫模型(chmm)中初始的协方差矩阵集合以及隐状态数量，然后对chmm的模型参数进行迭代更新，并基于迭代更新后的参数确定隐状态序列，最后根据隐状态与s-csi之间的关系求解出s-csi序列，由此将s-csi随时间变化的过程建模为chmm中的隐过程，将接收信号统计特性的时变过程建模为chmm的观测过程，有效避免了模型陷入局部最优，从而能够准确完成大规模mimo通信系统中非平稳信道的统计信道状态信息(s-csi)估计，有效提升大规模mimo通信系统的性能。

33、(2)在本发明的优选方案中，利用信道模型生成已知s-csi下的基站端接收信号作为聚类辅助数据，用于确定聚类中心，实现了一种基于半监督聚类的模型初始化方法，避免了模型性能受初始参数影响严重的问题。同时，在此过程中，可依据当前小区内信道矢量所服从的分布确定各用户的信道矢量，从而得到与当前小区相适应的上行信道矩阵，进一步提高s-csi的估计准确度。

34、(3)在本发明的优选方案中，在确定各s-csi对应的聚类中心时，会先利用s-csi对应的接收信号生成带权的完全图，然后生成该带权的完全图对应的最小生成树，该最小生成树中的顶点即为带权的完全图中的边缘顶点，本发明最终以最小生成树中的顶点均值作为聚类中心，能够更加准确地确定聚类中心。

35、(4)在本发明的优选方案中，确定各s-csi对应的聚类中心后，进行聚类时，会依据观测数据的聚类结果对聚类中心进行修正，并基于修正后的聚类中心重新对观测数据进行聚类，直至聚类结果不再发生变化，由此能够获得更加准确的聚类结果。

36、(5)在本发明的优选方案中，在确定隐状态序列后，计算各时刻的s-csi时，所依据的对应关系为实验表明，基于该对应关系，能够更为准确地完成zt(即t时刻用户的s-csi)的估计。