[發(fā)明專利]一種基于變分貝葉斯學(xué)習(xí)的在具有沖擊噪聲情況下的信道估計方法有效
| 申請?zhí)枺?/td> | 201910762246.5 | 申請日: | 2019-08-19 |
| 公開(公告)號: | CN110649953B | 公開(公告)日: | 2022-11-18 |
| 發(fā)明(設(shè)計)人: | 戴繼生;郭夢雅;周磊;曹政 | 申請(專利權(quán))人: | 江蘇大學(xué) |
| 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 |
| 地址: | 212013 江*** | 國省代碼: | 江蘇;32 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 分貝 學(xué)習(xí) 具有 沖擊 噪聲 情況 信道 估計 方法 | ||
本發(fā)明公開了一種基于變分貝葉斯學(xué)習(xí)的在具有沖擊噪聲情況下的信道估計方法,包括步驟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,T個時刻內(nèi),基站發(fā)送導(dǎo)頻信號矩陣X,用戶接收到的信號是y=Φw+n+e;2:設(shè)置迭代次數(shù)計數(shù)變量k=1,初始化w的精度向量γ,噪聲精度α,沖擊噪聲精度β,定義矩陣并初始化Z中元素為1,初始化δ;3:固定α、β、γ、Z、δ,更新μ、Σ;4:固定μ、Σ、β、γ、Z、δ,更新α;5:固定α、μ、Σ、γ、Z、δ,更新β;6:固定α、β、μ、Σ、Z、δ,更新γ;7:固定α、β、μ、Σ、γ、δ,更新Z;8:固定α、β、μ、Σ、γ、Z,更新δ;9:判斷k是否達(dá)到上限K或γ是否收斂,如果都不滿足,則迭代計數(shù)變量k=k+1,并返回步驟3;10:估計最終的信道。
技術(shù)領(lǐng)域
本發(fā)明屬于無線通信領(lǐng)域,涉及一種多輸入多輸出(Multiple-Input Multiple-Output,MIMO)通信系統(tǒng)的信道估計方法,具體的說是處于沖擊噪聲情況下的一種基于變分貝葉斯學(xué)習(xí)(Variational Bayesian Inference,VBI)的大規(guī)模MIMO通信系統(tǒng)的信道估計方法。
背景技術(shù)
大規(guī)模多輸入多輸出技術(shù)在無線通信領(lǐng)域備受關(guān)注,被廣泛認(rèn)為是滿足5G無線網(wǎng)絡(luò)容量需求的關(guān)鍵候選技術(shù)。了解發(fā)射機(jī)的信道狀態(tài)信息能充分發(fā)揮大規(guī)模MIMO系統(tǒng)的優(yōu)勢。
信道估計是信號檢測和自適應(yīng)傳輸?shù)幕A(chǔ),當(dāng)前,在高斯噪聲環(huán)境中的信道估計占據(jù)較大的比重,但是實(shí)際應(yīng)用中普遍存在非高斯噪聲,特別是沖擊噪聲的影響。如果不考慮沖擊噪聲的話,信道估計性能可能會大幅度下降。近年來,人們提出了許多方法來處理高斯噪聲的大規(guī)模MIMO信道估計問題,例如在文獻(xiàn)J.Dai,A.Liu and V.K.N.Lau,FDDMassive MIMO Channel Estimation with Arbitrary 2D-Array Geometry,IEEETransactions on Signal Processing,vol.66,no.10,pp.2584-2599,15May,2018中提出了一種基于離網(wǎng)稀疏貝葉斯學(xué)習(xí)的大規(guī)模MIMO通信系統(tǒng)的信道估計方法,但是該方法未考慮沖擊噪聲產(chǎn)生的影響,方法穩(wěn)健性較弱。
發(fā)明內(nèi)容
針對現(xiàn)有方法的不足,本發(fā)明將提出一種基于變分貝葉斯學(xué)習(xí)(VBI)的沖擊噪聲情況下的下行鏈路(downlink)信道估計方法。
用于實(shí)現(xiàn)本發(fā)明的技術(shù)解決方案包括如下步驟:
步驟1:基站采用了一個具有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(nèi),基站發(fā)送導(dǎo)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(shè)置迭代次數(shù)計數(shù)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、Σ。
步驟4:固定μ、Σ、β、γ、Z、δ,更新α。
步驟5:固定α、μ、Σ、γ、Z、δ,更新β。
步驟6:固定α、β、μ、Σ、Z、δ,更新γ。
步驟7:固定α、β、μ、Σ、γ、δ,更新Z。
步驟8:固定α、β、μ、Σ、γ、Z,更新δ。
步驟9:判斷迭代計數(shù)變量k是否達(dá)到上限K或γ是否收斂,如果都不滿足,則迭代計數(shù)變量k=k+1,并返回步驟3。
步驟10:估計最終的信道。
本發(fā)明的有益效果:
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于江蘇大學(xué),未經(jīng)江蘇大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910762246.5/2.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 根據(jù)用戶學(xué)習(xí)效果動態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲介質(zhì)
- 游戲?qū)W習(xí)效果評測方法及系統(tǒng)





