发明内容

本发明的目的为了达到自适应信道估计的目的，突破了现有稀疏信道估计的应用局限的基于二进制人工藻类机理的Massive MIMO信道估计方法。

本发明的目的是这样实现的：

基于二进制人工藻类机理的Massive MIMO信道估计方法，包括以下步骤：

步骤1：建立毫米波频段下的Saleh-Valenzuela信道模型，在此信道模型上完成导频的发送与接收。

步骤1.1：基站的天线数为N，单天线用户终端数为K，基站到用户终端有L条散射路径，则窄带毫米波信道H＝[h₁,h₂,...,h_K]，式中为基站到k个用户的信道增益，k∈[1,2,…,K]，β_kl为第k个用户信道的第l个路径的衰落系数，l∈[1,2,…,L]，一般直射径的衰落系数为1，包含了绝大部分的能量，其它路径的衰落系数服从高斯分布；φ_kl为第k个用户信道的第l个路径的发射角，取值在[-π/2,π/2]之间；由于接收端采用的是单天线，所以不用考虑入射角，a(θ)是天线阵列的方向矢量，当天线为N维ULA时，方向矢量的表达式为a_t(φ_kl)为第k个用户信道的第l个路径发射端的方向矢量，是N维的，把L条路径的信道矩阵相加，即是第k个用户信道h_k。

步骤1.2：将信道模型转换至角度域上。

角度域上的信道模型可表示为式中为角度域上的稀疏信道模型；U＝[b(ψ₁),b(ψ₂),...,b(ψ_N)]为离散傅里叶矩阵，该矩阵由N个覆盖了整个角度域空间的方向矢量构成，是N×N维的，其中及

步骤1.3：进行信号传输并添加复高斯白噪声，得到接收矩阵。

设p_i为基站发出的第i个导频序列，向量p_i中的第n个元素对应第n根发射天线所发信号，n∈[1,2,…,N]。矩阵P＝[p₁,p₂,...,p_s]表示基站发射的s个导频序列。那么到达第k个用户的导频信号y_k＝P^Hh_k+w_k，式中w_k表示加性高斯白噪声。再经由离散傅里叶矩阵U将信道映射到角度域，可得角度域接收导频矩阵

步骤:2：建立自适应StOMP信道估计模型。

以下流程中，为待重构稀疏信号，r_t表示残差，t为迭代次数，表示空集，J₀表示每次迭代找到的索引，Λ_t表示t次迭代的索引集合，α_j表示矩阵A的第j列，A_t表示按索引Λ_t选出的矩阵A的列集合。

步骤2.1：设置StOMP所需参数，观测所得向量为第k个用户的接受导频矩阵y_k，传感矩阵为导频矩阵最大迭代次数为S，门限参数为Ts。

步骤2.2：初始化r₀＝y_k，t＝1。

步骤2.3：计算观测矩阵和残差的内积u＝abs[A^Tr_t-1]，选择u中大于门限Ts的值，将这些值对应A的列序号j构成集合J₀，abs[…]表示绝对值。

步骤2.4：令Λ_t＝Λ_t-1∪J₀，A_t＝A_t-1∪α_j；若无新列被选中则停止迭代进入步骤2.8。

步骤2.5：求y_k＝A_tδ_t的最小二乘解，

步骤2.6：更新残差

步骤2.7：t＝t+1，如果t≤S则返回步骤2.3继续迭代，如果t>S或残差r_t＝0则停止迭代进入步骤2.7。

步骤2.8：重构所得其值为最后一次迭代所得即待估计稀疏信道

步骤2.9：将归一化均方误差作为目标函数。归一化均方误差是原信道和估计信道之间的均值方差的平均值。定义为：

步骤3：初始化二进制人工藻类种群位置，计算第一代每个藻群的适应度值和大小，设定参数并初始化每个藻群的总体饥饿值。

首先设定人工藻类种群数目为X，最大迭代次数为G，藻群序号为x，x∈[1,X]，迭代数标号为g，g∈[1,G]。在第g次迭代中，第x个人工藻类种群在D维搜索空间中的位置为将藻类细胞位置由二进制映射成十进制不同的对应不同的StOMP重构方法的门限参数，其适应度函数具体为当g＝1时，第一代人工藻类种群的每一维随机初始化为0或1，根据适应度函数计算出第一代所有藻群的适应度值对其做归一化处理得到同时计算第一代藻群大小其中设定藻群每次运动的能量损失C_l＝0.2，学习参数A_p＝0.5，初始化所有藻群总体饥饿值η＝[η₁,η₂,…,η_X]＝[0,0,…,0]。

步骤4：计算每个藻群所含能量，初始化本代饥饿值。

藻群的能量与藻群的大小是成正比的，藻群越大所含能量就越大。藻群所含能量是由其藻群大小和维数所决定的，第g次迭代各个藻群的能量为各个藻群大小由小到大排列所得排名的平方再进行归一化处理后的值。同时初始化第g次迭代中的所有藻群的本代饥饿值

步骤5：每个藻群根据其自身能量进行螺旋运动，完成位置更新。

藻群的螺旋运动是由一个线性运动和两个角运动共三个维度方向随机确定的。其中第g次迭代第x个藻群的运动流程如下:：

以下流程中，i为运动次数，σⁱ为第i次运动后的藻群能量，τⁱ为第i次运动后的藻群细胞位置，εⁱ为第i次运动后的的适应度值，为运动过程中的最优适应度值，为运动过程中的最优位置。

步骤5.1：初始化藻群螺旋运动参数，令

步骤5.2：随机选出o，p，q三个不同的位置维度，藻群沿此维度进行螺旋运动，其他位置保持不变，完成位置更新。藻群第o维上的藻群细胞τ_o的第(i+1)次线性运动后的位置更新公式为第p维上的藻群细胞τ_p的第(i+1)次正弦运动后的位置更新公式为第q维上的藻群细胞τ_q的第(i+1)次余弦运动后的位置更新公式为其中，ζⁱ为[-1,1]之间的随机数，ωⁱ和ξⁱ为[0,2π]之间的随机数。

步骤5.3：完成一次螺旋运动后进行当前位置的适应度值计算εⁱ⁺¹＝f(τⁱ⁺¹)。若则令藻群消耗一次能量σⁱ⁺¹＝σⁱ-C_l，同时令第g次迭代第x个藻群的本代饥饿值进入步骤5.5；否则进入步骤5.4。

步骤5.4：由于藻群运动后未能到达更好的位置，需返回原位，即令τⁱ⁺¹＝τⁱ，这样藻群会消耗两次能量σⁱ⁺¹＝σⁱ-2C_l。

步骤5.5：判断藻群是否有能量进行下一次运动，若σⁱ⁺¹＞0，则令i＝i+1，返回步骤5.2，否则进入步骤5.6。

步骤5.6：藻群多次运动后的最终位置更新为同时更新其适应度函数值若第g次迭代第x个藻群细胞一直在原地打转，即则该藻群总体饥饿值η_x＝η_x+1。

步骤6：计算每个藻群完成运动后的大小，进行藻类种群的进化和适应过程。

对完成运动后种群的适应度值进行归一化处理得到通过计算完成运动后藻群的大小其中

最小藻群某一位置的藻类细胞会死亡并由最大藻群对应位置的藻类细胞分裂复制代替，这是藻类种群的进化过程。具体替代过程为即最大的藻群中第d^g个位置的藻类细胞进行分裂替代最小规模藻群第d^g个位置上的淘汰细胞，其中d^g为[1,X]间的随机整数，argmax[…]为取到最大值的参数，argmin[…]为取到最小值的参数。

在环境中无法充分生长的藻群试图使其适应环境，朝向全局最优的藻群那样发展，这是藻类种群的学习适应过程。其具体流程如下:：

步骤6.1：令m＝1，同时找出第(g+1)代中总体饥饿值最大的一个藻群和适应度值最优的藻群其中

步骤6.2：生成一个[0,1]之间的随机数v^g(m)，若v^g(m)≥A_p，则令否则保持不变。

步骤6.3：令m＝m+1，若m>D，则意味着藻群完成了学习适应过程；否则返回步骤6.2。

步骤7：判断是否达到最大迭代次数G，若未达到，令g＝g+1，返回步骤4；若达到则中止迭代循环，将全局最优结果带入StOMP中，得到估计信道矩阵并输出。

与现有技术相比，本发明的有益效果是：

本发明针对现有的毫米波稀疏信道估计，提出了一种基于二进制人工藻类机制优化StOMP的信道估计方法，以解决估计性能不佳的问题。传统的StOMP信道估计方法在基站侧发射角发生变化时需要手动调整门限参数，基于二进制人工藻类机制的StOMP信道估计方法能够实现对参数的自适应调整，从而达到自适应信道估计的目的。仿真结果表明，当实际环境中基站侧发射角和发射功率发生变化，基于二进制人工藻类机制的StOMP信道估计方法能够自适应搜索出最佳门限参数，取得了较好的估计性能。