[发明专利]一种基于贝叶斯方法的多用户大规模MIMO信道估计方法

说明书

技术领域

本发明属于无线通信技术领域，尤其涉及一种频分双工(FDD)模式下的多用户大规模MIMO(MU-Massive MIMO)系统的信道估计方法。

背景技术

大规模MIMO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：系统容量随着天线数量增加而增加；降低发送信号功率；简单的线性预编码器与检测器即可达到最优性能；信道之间趋于正交化，因此消除了小区内同道干扰。实现这些优势的前提是基站(BS)知晓信道状态信息(CSIT)。在时分双工(TDD)系统中，利用上下行信道的互易性在用户端(MS)进行信道估计。则信道估计开销是独立于基站端的大规模天线阵天线数N的，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MIMO系统，其信道估计的流程为：基站向各用户广播导频信号，移动用户利用接收信号估计CSIT然后反馈回基站。这种情况下，导频信号数与基站天线数成正比，由于在大规模MIMO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。

由于大规模MIMO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MIMO系统信道估计的开销。压缩感知是一种全新的信号采样理论，它利用信号的稀疏性，在远小于奈奎斯特速率的情况下，用随机采样获取信号的离散样本，然后通过非线性算法完美重构信号。稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)最初作为一种机器学习算法由微软研究院的Tipping于2001年提出，随后被引入到稀疏信号恢复领域(BCS)。Wipf证明，BCS等价于一种迭代加权L1最小化算法，而L1算法仅仅只是其第一步，而Candes等人指出，迭代加权L1最小化算法更易获得真正的最稀疏解。因此，与其他基于LI最小化的算法相比，BCS具有显著的优势。

如图1所示，在多用户MIMO系统中，由于基站端与用户端天线数的巨大差异，基站端与用户端对于散射效应的反应也截然不同，呈现出基站端传播路径的稀疏性而用户端传播路径的丰富性。同时，不同用户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。

发明内容

在多用户大规模MIMO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稀疏信号重构算法进行信道估计，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。

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：

基站：BS。

用户端：MS。

FDD多用户大规模MIMO信道估计系统模型：

假设需要估计的信道是平坦块衰落的，即在某段时间内信道状态不变。

系统有一个BS，K个MS，所述BS配置了具有N个天线的大规模天线阵，每一个MS具有M个天线，则FDD多用户大规模MIMO信道估计的数学模型可以表示为Y_j＝H_jX+N_j，其中，Y_j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，N_j为接收噪声信号矩阵。

标准压缩感知数学模型：

y＝Αx+n，其中，Α是大小为m×n的感知矩阵，y为m×1维压缩信号，x为n×1维的稀疏信号，其稀疏度为s，即x中只有s＜＜n个元素非零，其余元素全部为0，n是m×1维的系统噪声且其元素服从均值为0，方差为σ²的高斯分布，m＜＜n。

一种基于贝叶斯方法的多用户大规模MIMO信道估计方法，包括如下步骤：

S1、初始化，具体为：

S11、BS用T个时隙向K个MS广播T个导频信号X＝[x⁽¹⁾,x⁽²⁾,...,x^(T)]∈C^N×T，其中，N为BS的天线数，X＝U_TX^a，酉矩阵p,q∈[0,N-1]，X^a∈C^N×T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；

S12、K个MS的接收信号矩阵为{Y_j:j＝1,2,...,K},Y_j表示第j个MS的接收信号矩阵；