在大规模MIMO中基于光滑范数的压缩感知信道估计方法
专利汇可以提供在大规模MIMO中基于光滑范数的压缩感知信道估计方法专利检索，专利查询，专利分析的服务。并且在大规模MIMO中基于光滑范数的 压缩 感知 信道估计方法，包括如下步骤，步骤S1、构建多天线多用户的大规模MIMO系统模型，基站配备M根天线，包含K个用户，用户向基站发送导频 信号 ，基站接收 导频信号 Y。步骤S2、建立MIMO系统模型的物理模型与压缩感知模型的联系，并将物理模型转换为求范数的数学问题；步骤S3、结合凸优化思想，采用平滑函数近似范数，在 迭代 过程中采用梯度上升法和梯度投影原理逐步逼近最优解。该方法无需获取信道的稀疏度，采用平滑函数近似范数，并与凸优化思想相结合，迭代过程采用最速上升法和梯度投影原理，逐步逼近最优解。，下面是在大规模MIMO中基于光滑范数的压缩感知信道估计方法专利的具体信息内容。
1.在大规模MIMO中基于光滑l0范数的压缩感知信道估计方法，其特征在于，包括如下步骤，
步骤S1、构建多天线多用户的大规模MIMO系统模型，基站配备M根天线，包含K个用户，用户向基站发送导频信号φ，基站接收导频信号Y。
步骤S2、建立MIMO系统模型的物理模型与压缩感知模型的联系，并将物理模型转换为
求l0范数的数学问题；
步骤S3、结合凸优化思想，采用平滑函数近似l0范数，在迭代过程中采用梯度上升法和梯度投影原理逐步逼近最优解。
2.根据权利要求1所述的在大规模MIMO中基于光滑l0范数的压缩感知信道估计方法，其特征在于，所述步骤S1中，构建的多天线多用户的大规模MIMO系统模型的具体为，运行在TDD下的MU-MIMO系统，其中，基站配备有M根天线，在上行链路中，基站接收K个自主单天线用户端发送的信号；在T个可用的下行链路中获取信道链路状态，基站在第t个信道中发送导频信号 t＝1,2,…,T；则第K个用户接收到的T个信道内的导频观测值为yk＝hk
Φ+nk；其中， 为T个信道内的发送导频矩阵，nt∈C1×T为独立同分
布的加性高斯白噪声，服从 概率分布，hk∈C1×M为基站到第k个用户间的信道状态
向量，其表达式为 其中，P为可解析路径的个数，gk，p为第P条路径的
传输增益，θp为第p条路径的发射角，a(θp)为均匀线性天线模型下的导向矢量，定义表达式为 其中，D为基站与天线之间的间距，λ为基
站和天线之间载波波长。
3.根据权利要求1所述的在大规模MIMO中基于光滑l0范数的压缩感知信道估计方法，其特征在于，所述步骤S2的具体步骤为，
步骤S21、将MIMO系统模型等价表示为Y＝HΦ+N，其中， 为K个用户的
导频联合观测值， 为待估计的信道矩阵， 为
信道噪声矩阵，若用户间有共同的散射体簇，用户间的天线矢量相同，则信道矩阵可以表示为H＝GA；其中，矩阵G∈Ck×p，第(k,p)个元素为gk，p，A＝[a(θ1)T，α(θ2)T，...，a(θp)T]T∈CP×M；
由秩的性质可得rank(H)≤min{rank(G)，rank(A)}，即rank(H)≤min{M,K,P}；由于大规模MIMO系统中，基站天线数量M和用户数K远大于可分解路径P的数量，可得rank(H)≤P；由此可知，带估计的信道矩阵H是低秩的；
步骤S22、由于Y和Φ均为可观测的矩阵，带估计的信道矩阵H为低秩的，从而可通过压缩感知的模型求解H，令h＝vec(H)，通过最小化l0范数可以求得未知向量h的最稀疏解，公式为
4.根据权利要求1所述的在大规模MIMO中基于光滑l0范数的压缩感知信道估计方法，其特征在于，所述步骤S3的具体步骤为，
步骤S31、根据步骤S2可知，物理模型转换为求l0范数的数学问题，即为
由l0范数的定义可知，h＝[h1...hN]T的l0范数为非零向量
的个数，即定义为： 因此 采用平滑连续函数代替v来近似逼
近l0范数，则平滑连续函数的最优解为l0范数的最优解，从而得到信道矩阵向量；
步骤S32、平滑连续函数选用高斯函数，即 则有， 从而
推导出， 其中，σ为参数，hi为向量h的一个分量；定义 则
因此l0范数近似表示为||h||0＝N-Fσ(h)。
步骤S33、求解最小l0范数等价于在仿射集S＝{h|Φh＝Y}求最大Fσ值，则近似模型为max Fσ(h) s.t. Φh＝Y，模型中σ决定了Fσ函数的光滑程度，σ值越大，Fσ函数越光滑，越不接近l0范数；σ值越小，Fσ函数越不光滑，越接近l0范数；但是，当σ值很小时，Fσ函数存在很多局部最大值，且不容易求出全局最大值；当σ值较大时，Fσ比较光滑且存在少量的局部最大值，在σ→∞时其最大值为LS算法估计值；所以选择一个递减序列σ，对它的每一个值通过最速上升法求解Fσ的最大值，每次迭代Fσ的初始值是前一个σ对应的Fσ的最大值，最终达到去除局部最大值的影响，求得全局最大值，从而得到最佳信道矩阵估计值。
在大规模MIMO中基于光滑范数的压缩感知信道估计方法
技术领域
背景技术
发明内容
∈C1×T为独立同分布的加性高斯白噪声，服从 概率分布，hk∈C1×M为基站到第k个用户间的信道状态向量，其表达式为 其中，P为可解析路径的个数，gk，p
为第P条路径的传输增益，θp为第p条路径的发射角，a(θp)为均匀线性天线模型下的导向矢量，定义表达式为 其中，D为基站与天线之间的
间距，λ为基站和天线之间载波波长。
为信道噪声矩阵，若用户间有共同的散射体簇，用户间的天线矢
k×p T
量相同，则信道矩阵可以表示为H＝GA；其中，矩阵G∈C ，第(k,p)个元素为gk，p，A＝[a(θ1) ，a(θ2)T，...，a(θp)T]T∈CP×M；由秩的性质可得rank(H)≤min{rank(G)，rank(A)}，即rank(H)≤min{M,K,P}；由于大规模MIMO系统中，基站天线数量M和用户数K远大于可分解路径P的数量，可得rank(H)≤P；由此可知，带估计的信道矩阵H是低秩的；
的个数，即定义为： 因此 采用平滑连续函数代替v来近似
逼近l0范数，则平滑连续函数的最优解为l0范数的最优解，从而得到信道矩阵向量；
因此l0范数近似表示为||h||0＝N-Fσ(h)。
具体实施方式
中， 为T个信道内的发送导频矩阵，nt∈C 为独立同分布的加性
高斯白噪声，服从 概率分布，hk∈C1×M为基站到第k个用户间的信道状态向量，其表达式为 其中，P为可解析路径的个数，gk，p为第P条路径的传输增益，
θp为第p条路径的发射角，α(0p)为均匀线性天线模型下的导向矢量，定义表达式为其中，D为基站与天线之间的间距，λ为基站
和天线之间载波波长。
为信道噪声矩阵，若用户间有共同的散射体簇，用户间的天线矢
量相同，则信道矩阵可以表示为H＝GA；其中，矩阵G∈Ck×p，第(k,p)个元素为gk，p，A＝[a(θ1)T，a(θ２)T，…，a(θp)T]T∈CP×M；由秩的性质可得rank(H)≤min{rank(G)，rank(A)}，即rank(H)≤min{M,K,P}；由于大规模MIMO系统中，基站天线数量M和用户数K远大于可分解路径P的数量，可得rank(H)≤P；由此可知，带估计的信道矩阵H是低秩的；
的个数，即定义为： 因此 采用平滑连续函数代替v来近似
逼近l0范数，则平滑连续函数的最优解为l0范数的最优解，从而得到信道矩阵向量；
定义 则 因此l0范数近似表示为||h||0＝
N-Fσ(h)。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种无线体域网能耗和时延加权最小的安全路由选择方法 | 2020-05-08 | 568 |
| 毫米波/太赫兹网络大规模MIMO无线传输方法 | 2020-05-08 | 393 |
| 一种基于有序抽样的特征匹配算法 | 2020-05-08 | 388 |
| 存储器控制器及其操作方法 | 2020-05-08 | 895 |
| 一种基于ALS算法的推荐方法、设备及可读介质 | 2020-05-08 | 371 |
| 站点访问顺序的确定方法、装置及电子设备 | 2020-05-08 | 196 |
| 一种数据处理方法、装置、电子设备及可读存储介质 | 2020-05-08 | 924 |
| 适于无线网络的资源分配方法、装置和系统 | 2020-05-08 | 359 |
| 一种任务型对话系统中的语义理解方法 | 2020-05-11 | 235 |
| 一种基于量子混沌和混沌复动力系统的图像加密方法 | 2020-05-08 | 927 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
