[发明专利]用于稀疏贝叶斯学习信道估计的分区矩阵迭代方法及系统

说明书

本发明实施例提供用于稀疏贝叶斯学习信道估计的分区矩阵迭代方法及系统。该方法包括：获取预设正交频分复用系统中导频子载波集合；得到预设正交频分复用系统的接收信号表达式；得到接收信号表达式的条件概率密度函数；提取条件概率密度函数中复数矩阵的实部和虚部，对复数矩阵进行求逆计算，得到第一逆矩阵以及第二逆矩阵；将第一逆矩阵进行分割，得到第一子矩阵集合；将第二逆矩阵进行分割，得到第二子矩阵集合；通过对第一子矩阵集合和第二子矩阵集合进行预设次数的迭代，得到复数矩阵，得到所述条件概率密度函数。本发明实施例通过采用分区矩阵迭代机制来计算稀疏贝叶斯学习技术中涉及矩阵求逆运算，有效降低了矩阵求逆运算的复杂度。

技术领域

本发明涉及信号传输技术领域，尤其涉及用于稀疏贝叶斯学习信道估计的分区矩阵迭代方法及系统。

背景技术

在MIMO-OFDM(Multiple Input Multiple Output-Orthogonal FrequencyDivision Multiplexing)系统的稀疏信道估计中，广泛采用稀疏贝叶斯学习(SparseBayesian Learning，简称SBL)技术。

而采用SBL技术的信道估计算法时，需要进行迭代求解，每次迭代中需要进行矩阵求逆运算。矩阵求逆运算非常耗时而且复杂，当该技术应用于宽带系统时，矩阵维度会进一步扩大，计算复杂度也会进一步提高，导致其应用于5G等宽带系统时，对系统的计算能力要求过高，不易于实现。

因此，需要提出一种能降低计算复杂度的用于信道估计的矩阵求逆方法。

发明内容

本发明实施例提供用于稀疏贝叶斯学习信道估计的分区矩阵迭代方法及系统，用以解决现有技术中对于信道估计中的矩阵求逆运算非常复杂的缺陷。

第一方面，本发明实施例提供用于稀疏贝叶斯学习信道估计的分区矩阵迭代方法，包括：

获取预设正交频分复用系统中的子载波集合，提取所述子载波集合中的导频子载波集合；

基于所述导频子载波集合，获取导频值对角矩阵、导频离散傅里叶变换子矩阵、具有预设长度的复信道冲激响应和加性高斯白噪声矩阵，得到所述预设正交频分复用系统的接收信号表达式；

基于导频子载波集合的单位矩阵、控制每个信道系数逆方差的超参数以及所述超参数的对角矩阵，得到所述接收信号表达式的条件概率密度函数；

提取所述条件概率密度函数中复数矩阵的实部和虚部，基于所述实部和所述虚部对所述复数矩阵进行求逆计算，得到第一逆矩阵以及第二逆矩阵；

将所述第一逆矩阵进行分割，得到第一子矩阵集合；

将所述第二逆矩阵进行分割，得到第二子矩阵集合；

通过对所述第一子矩阵集合和所述第二子矩阵集合进行预设次数的迭代，得到所述复数矩阵，进一步得到所述条件概率密度函数，基于所述条件概率密度函数获得所述接收信号表达式。

第二方面，本发明实施例提供用于稀疏贝叶斯学习信道估计的分区矩阵迭代系统，包括：

获取模块，用于获取预设正交频分复用系统中的子载波集合，提取所述子载波集合中的导频子载波集合；

第一计算模块，用于基于所述导频子载波集合，获取导频值对角矩阵、导频离散傅里叶变换子矩阵、具有预设长度的复信道冲激响应和加性高斯白噪声矩阵，得到所述预设正交频分复用系统的接收信号表达式；

第二计算模块，用于基于导频子载波集合的单位矩阵、控制每个信道系数逆方差的超参数以及所述超参数的对角矩阵，得到所述接收信号表达式的条件概率密度函数；

求逆模块，用于提取所述条件概率密度函数中复数矩阵的实部和虚部，基于所述实部和所述虚部对所述复数矩阵进行求逆计算，得到第一逆矩阵以及第二逆矩阵；