[发明专利]基于FDD大规模MIMO贝叶斯压缩感知信道估计方法

说明书

本发明属于无线通信技术领域，提供一种基于FDD大规模MIMO贝叶斯压缩感知信道估计方法，用于获得准确的信道状态信息。本发明设计一种模式耦合的高斯先验模型，用以描述不同天线间共同的稀疏性，其中信道向量中的系数被分成了一些等长的组，每组有一个共同的超参数，这样每组的系数就拥有相同的稀疏性；进而，通过期望最大化步骤，基于迭代方法来进行贝叶斯推断，其中信道系数作为隐藏变量，而超参数作为未知参数；最后，将得到的信道向量的后验均值作为信道的估计。仿真表明，本发明提出的BCS方法在很大程度上优于同类方法，并且可以达到理想最小二乘算法为基线的性能边界。

技术领域

本发明属于无线通信技术领域，具体涉及一种基于稀疏贝叶斯模型的，压缩感知信道估计方法。

背景技术

由于大规模天线带来的极大的空间自由度，大规模MIMO(大规模多输入多输出、Mult iple-Input Multiple-Output)系统可以将频谱和能量效率提升几个量级；因此被广泛认为是下一代无线系统的关键技术之一。

为了充分发挥大规模MIMO的特点，基站需要精确获得上行和下行CSI(信道状态信息、Channel State Information)；在时分双工(TDD，Time Division Duplexing)模式中，信道具有互易性，认为上、下行CSI是相同的；因此，仅仅需要终端发射上行导频，基站来估计相应信CSI；当导频序列设计合理时，基站能精确的估计出信道。然而在频分复用(FDD，Frequency Division Duplexing)模式中，信道的互易性不成立，传统的获得下行CSI的方式是在用户端进行信道估计并反馈到基站；由于基站大规模的天线数目，下行信道中被估计的未知系数较多；因此，直接进行下行信道估计将引起过高的训练和计算开销。

为了规避在大规模MIMO系统中获得下行CSI的不利因素，到目前为止大多数研究人员采用TDD模式；然而FDD和TDD相比具有许多优点，尤其对于通信对称和延迟敏感的应用；因此大规模MIMO的FDD下行CSI的获得，是很有挑战性的也很重要的。为了减轻训练和计算负担，一些基于压缩感知的方法被提出；其中一个方案是将下行CSI的压缩测量值首先从每个用户反馈到基站，然后基站采用基于正交匹配追踪(OMP，Orthogonal Matching Pursuit)的算法联合估计多个用户的信道矩阵；然而该算法仅仅考虑了平缓衰落信道，导致仅能应用于窄带系统中。为了处理宽带系统中的频率选择性信道，一种适应性的结构化子空间追踪算法(ASSP，Adaptive Structured Subspace Pursuit)被提出，由于利用不同天线具有共同稀疏性的特点，ASSP算法能够达到此类算法的性能边界，而且具有适度的训练开销；但是A SSP算法的性能由门限p_th决定，这需要根据信噪比认真调整；而信噪比不是一个可以得到的先验，因此大大限制了ASSP算法的实际应用。

基于此，本发明提供一种基于FDD大规模MIMO改进的贝叶斯压缩感知信道估计方法。

发明内容

本发明的目的在于提供一种基于FDD大规模MIMO改进的贝叶斯压缩感知信道估计方法，基于BCS(贝叶斯压缩感知、Bayesian Compressive Sensing)方法，用以估计FDD大规模MIMO宽带CSI。

为实现上述目的，本发明采用的技术方案为：

一种基于FDD大规模MIMO贝叶斯压缩感知信道估计方法，其特征在于，包括以下步骤：

设定基站的天线数为M，采用正交频分复用技术，基站选择N_p个导频子载波来发送训练符号，第m根天线发送的训练符号向量为p_m，将导频子载波的位置集合表达为基站和单用户进行通信，则基站第m个天线和用户间的信道表示为：

h_m＝[h_m,1,h_m,2,...,h_m,L]^T，m＝1,2,...,M