[发明专利]MIMO系统中基于向量自回归的贝叶斯压缩感知反馈方法

摘要

本发明涉及一种MIMO系统中基于向量自回归的贝叶斯压缩感知反馈方法，包括以下步骤1)建立MIMO信道模型；2)建立VAR模型实现信道预测；3)运用贝叶斯压缩感知减少反馈速率。与现有技术相比，本发明通过引入VAR模型来描述邻接CSI的关系，并引入时空压缩为了减少信道大小的范围，并且减少信道向量的维度等优点。

主权项

一种MIMO系统中基于向量自回归的贝叶斯压缩感知反馈方法，其特征在于，包括以下步骤：1)建立MIMO信道模型；2)建立VAR模型实现信道预测；3)运用贝叶斯压缩感知减少反馈速率；所述的建立MIMO信道模型具体为：11)MIMO无线通信系统包含基站的M根天线和用户的K根单天线，假设每个用户的信道向量h为：h=αhiidTRTx12]]>其中，α是一个比例系数影响信道增益，表示一个1×M独立同分布的复数向量，中的每个元素rij代表了在基站第i根和第j根天线的相关系数，表示为：rij=J0(2πdijλ)]]>用户i收到的信号表示为：yi＝hix+zi,i＝1,2,…,k其中x是发送端符号向量包含了所选用户的信息符号，平均功率约束满足E{||x||2}＝P，yi是用户i收到的信号，zi表示加性高斯白噪声的方差σ2；12)基站从多个用户接收到CSI反馈之后，就开始预编码，并取得空间复用的增益；所述的建立VAR模型实现信道预测具体为：21)在MIMO信道模型中使用VAR(p)来描述向量信道为：ht＝φ1ht‑1+φ2ht‑2+…+φpht‑p+μt其中μt为M×1的向量，且服从均值为0、协方差为Λ的高斯分布，表示随机扰动或者预测误差，ht为t时刻的向量信道，{φ1,φ2,...,φp}为相关系数；22)当前时刻的信道状态与前p时刻的信道状态成线性关系，其中{φ1,φ2,...,φp}为相关系数，相关系数可通过最小二乘法进行求解，结果为：其中，ct,t‑k是ht和ht‑k之间的协方差，即ct,t‑k＝E{htht‑k}，其中k＝1,2,…,p；23)可预见性错误的协方差A为：A=E{μtμtH}=E{(ht-Σi=1pφiht-i)·(ht-Σi=1pφiht-i)H}]]>其中μt为M×1的向量，且服从均值为0、协方差为Λ的高斯分布，表示随机扰动或者预测误差；24)在某个时刻，基站可在用户可容忍的误差范围内恢复信道向量，故当前时刻，用户端仅传送预测误差，就可在基站以用户可容忍的范围内恢复信道向量，预测误差et为：et=ht-h^t=μt]]>所述的运用贝叶斯压缩感知减少反馈速率具体为：31)在用户端，对预测误差et进行压缩传送；32)在基站端，对信道向量使用一个层次贝叶斯模型，从而解出被压缩的原始信道向量值；所述的对预测误差et进行压缩传送具体为：311)预测误差et不是一个对角阵，故et在某种变换基下是稀疏的，则有：et＝Ψθt其中，Ψ是一个DCT基或者小波基，θt是一个在DCT域中的M×1的向量；312)故et可在压缩感知中使用，降采样et得到如下表达式，并在RIP条件下可被重建：vt＝ΦΨTet＝Φθt其中，ΦΨT为测量矩阵，Φ是一个N×M的矩阵，vt用来动态得避免大多数不必要的反馈；所述的在基站端，对信道向量使用一个层次贝叶斯模型，从而解出被压缩的原始信道向量值具体为：321)基站端，对信道向量使用一个层次贝叶斯模型，该模型是独立同分布的，且服从一个零均值且方差为Β的高斯分布，故基于θt、Β和信道向量yt表示为：p{yt|θt,B}=1(2π)N/2|B|1/2exp{-12(yt-Φθt)TB-1(yt-Φθt)}]]>其中，B是vt的协方差，yt是接收到的信道向量；322)参数θt服从一个零均值的多元高斯分布，在不同用户的不同反馈时间点被共享，并且压缩反馈彼此相关：p{θt|Ω}＝N(θt|0,Ω)323)Ω是一个对角协方差矩阵，且假设θt的每个元素都是相互独立的，则超参数可使用Ω伽马机率表示：p{Ω|a,b}=Πk=1MGa(Ωkk|ak,bk)=Πk=1MbkakΓ(ak)Ωkk(ak-1)exp(-bkΩkk)]]>其中，a和b是伽马分布的超参数；一个多元高斯分布，为：p{θt|yt,Ω}＝N(θt|u,∑)其中，u＝∑ΦTB‑1yt∑＝(ΦTB‑1Φ+Ω‑1)‑1其中，u是均值，∑是协方差矩阵；324)θt的先验概率用观察信号yt和超参数Ω来表示为：p{θt|yt,B}=p(yt|θt)p(θt|Ω)∫dθtp(yt|θt)p(θt|Ω)]]>325)从反馈信息yt和先验概率中提取信道向量θt的分布，故θt的贝叶斯估计表示为：θ^t=u=ΣΦTB-1yt]]>故估计出的信道向量将使用在ZFBF中，可用来改进反馈失真。