[發明專利]一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法

有效

• 申請號: 201910762246.5
• 申請日: 2019-08-19
• 公開（公告）號: CN110649953B
• 公開（公告）日: 2022-11-18
• 發明（設計）人: 戴繼生;郭夢雅;周磊;曹政
• 申請（專利權）人: 江蘇大學
• 主分類號: H04B7/08
• 分類號: H04B7/08;H04B7/0456;H04L25/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法，其特征在于，包括如下步驟：

步驟1：基站采用具有N根天線的均勻線性陣列，下行鏈路中的移動用戶采用單天線，在T個時刻內，基站發送導頻信號矩陣X，則存在沖擊情況下，用戶接收到的信號是y＝Φw+n+e；

步驟2：設置迭代次數計數變量k＝1，初始化w的精度向量中的各元素為1，初始化噪聲精度α＝1，初始化沖擊噪聲精度中的各元素為0，定義矩陣并初始化Z中的各元素為1，同時初始化δ為全零元素；

步驟3：利用VBI原理，固定α、β、γ、Z、δ，更新μ、∑；

步驟4：固定μ、∑、β、γ、Z、δ，更新α；

步驟5：固定α、μ、∑、γ、Z、δ，更新β；

步驟6：固定α、β、μ、∑、Z、δ，更新γ；

步驟7：固定α、β、μ、∑、γ、δ，更新Z；

步驟8：固定α、β、μ、∑、γ、Z，更新δ；

步驟9：判斷迭代計數變量k是否達到上限K或γ是否收斂，如果都不滿足，則迭代計數變量k＝k+1，并返回步驟3；

步驟10：估計最終的信道。

2.根據權利要求1所述的一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法，其特征在于，所述步驟1中，Φ(δ)＝XA(δ)為測量矩陣，

A(δ)＝[a(θ₁+δ₁)，a(θ₂+δ₂)，...，a(θ_L+δ_L)]表示陣列流型矩陣，

表示導向矢量，

λ_d表示電磁波的工作波長，d表示相鄰天線陣元間的距離，

表示均勻劃分的L個網格點，即

中的元素δ_l表示θ_l上的角度偏差，

w是一個L維的信道在測量矩陣Φ(δ)上稀疏表示的向量，其均值為μ，方差為∑，

n是一個T維的均值為零，精度為α的高斯白噪聲向量，

e是一個T維的均值為零，精度為的沖擊噪聲向量。

3.根據權利要求1所述的一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法，其特征在于，所述步驟3中，更新μ、∑的方法如下：

μ＝∑Φ′^Hy′

∑＝(Φ′^HΦ′+diag(γ))^-1

其中：

(·)^H表示共軛轉置，diag(·)表示取向量的對角元素，

y_t表示y的第t個元素，

Φ_t表示Φ的第t行向量，

d_t＝αφ_t，1+φ_t，2β_t，

φ_t，1＝<z_t，1>，φ_t，2＝<z_t，2>，

<·〉表示求期望運算。

4.根據權利要求1所述的一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法，其特征在于，所述步驟4中，更新α的方法如下：

其中：

a＝b＝0.0001，

tr(·)表示矩陣的跡，||·||₂表示矩陣的2范數。

5.根據權利要求1所述的一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法，其特征在于，所述步驟5中，更新β的方法如下：

6.根據權利要求1所述的一種基于變分貝葉斯學習的在具有沖擊噪聲情況下的信道估計方法，其特征在于，所述步驟6中，更新γ的方法如下：

μ_l表示μ的第l個元素，∑_l表示∑的第l個對角元素。