申请/专利权人：东南大学;网络通信与安全紫金山实验室

申请日：2023-12-12

公开（公告）日：2024-03-22

公开（公告）号：CN117749575A

主分类号：H04L25/02

分类号：H04L25/02;H04B7/0413

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种基于人工智能的波束域信道估计方法，包括：1使用压缩采样匹配追踪CoSaMP算法初步剔除一部分无效信道元素，得到低维测量矩阵；2基于稀疏贝叶斯学习方法，利用波束域信道块稀疏特性，将相邻位置的信道元素组合为一组统一处理，使用期望最大化算法实现信道参数的迭代更新；3在每次迭代约束信道块超参数，防止过拟合产生；4根据信道期望是否趋于稳定判断估计结果是否收敛；5使用最终的信道期望近似信道估计结果。本发明能够充分利用波束域信道潜在的结构化稀疏特性，在大幅提高估计性能的同时，保持了合理的计算复杂度与导频开销，解决大规模多输入多输出MIMO波束域信道估计问题。

主权项：1.一种基于人工智能的波束域信道估计方法，其特征在于，包括以下步骤：步骤S1、使用压缩采样匹配追踪CoSaMP预筛选测量矩阵A中对应非零信道元素的有效原子，实现测量矩阵A的降维，并将更新后的测量矩阵AΛ与接受信号输入迭代优化模块；步骤S2、根据S1中更新的测量矩阵AΛ，将波束域稀疏贝叶斯学习算法改进为块稀疏贝叶斯学习算法，利用块稀疏性提高估计性能，使用期望最大化EM算法计算波束域信道协方差矩阵、期望与信道块超参数；步骤S3、约束信道块超参数，避免过拟合；步骤S4、根据前后两次迭代信道期望是否趋于一致判断信道估计结果是否收敛，若未收敛，返回步骤S2；步骤S5、输出波束域压缩采样匹配追踪辅助块稀疏贝叶斯学习CoSaMP-BSBL信道估计结果。

全文数据：

权利要求：

百度查询： 东南大学;网络通信与安全紫金山实验室 一种基于人工智能的波束域信道估计方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD