1.一种基于稀疏贝叶斯学习的信道估计方法,其特征在于,包括如下步骤:步骤A、利用毫米波信道的稀疏特性进行信道建模,并构造对应的可重构智能超表面辅助的多输入-多输出通信系统模型;
步骤B、首先构造信道的两层稀疏先验信息,然后对参数的联合后验概率密度函数进行因式分解,最后根据因式分解画出相应的因子图模型;
步骤C、针对步骤B中的因子图模型,结合酉变换近似消息传递,使用稀疏贝叶斯算法框架进行信道估计;
所述步骤C具体包括如下步骤:步骤C1、在因子图模型的部分I中,使用基于酉变换的近似消息传递算法框架对输入消息和输出消息进行更新;
步骤C2、在因子图模型的部分II中,根据变量之间的关系,结合消息传递的各项规则,先更新反向消息和,再更新正向消息、和,然后根据因子图模型中变量的对称性,计算相应的反向传播消息、,及正向传播消息、和;
步骤C3、在因子图模型的部分III中,使用稀疏贝叶斯学习算法框架,对稀疏变量进行估计,首先更新反向消息、和,然后更新正向消息和,接下来,根据因子图模型中变量的对称性,更新反向传播消息、和,然后更新正向消息和,最后,由获得的消息计算待估计稀疏变量的近似边缘后验并获得估计值;
步骤D、重复步骤C,直到算法收敛。
2.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法,其特征在于:在步骤A中,考虑一个RIS辅助的上行毫米波通信系统,其中配备了N个反射单元的RIS平面被布置在具有M根天线的基站和K个用户之间;基站和RIS间的信道为,RIS和用户间的信道为,假设基站端的天线使用了均匀线性阵列,RIS使用了的均匀平面天线阵列,其中,则具体表示为:,
其中,表示平均路径损耗,为路径数,表示第p路径上的增益,为到达角,和为离开角,和分别表示基站和RIS的响应矢量,即,
且,和分别表示波长和天线间隔,则信道在角度域的表示形式为:,
其中,,,,表示离散傅里叶变换矩阵,表示包含P个非零元素的稀疏矩阵,同样地,第k个用户和RIS之间的信道可表示为:,
且可在角度域表示为:
,
将扩展为矩阵形式,即:
,
其中,,考虑RIS具有L个相位配置状态,则相干时间内基站端的接收信号表示为:,
其中,表示相移矩阵的第行,表示均值为0,噪声精度为的加性高斯白噪声,去除导频信号并向量化可得:,
其中,,,将记作矩阵形式,,对其进行转置,得到:,
其中。
3.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法,其特征在于:在步骤B中,对于角度域稀疏信道参数和,假设二者均服从高斯分布,即:,
,
且方差和均服从Gamma分布:,
其中,是对应概率密度函数中的超参数,对相移矩阵进行SVD分解,即,进而可得,整理后得到,
其中,;在接收矩阵给定情况下,信道和、角度域稀疏矩阵和、方差矩阵和、中间变量,和,以及噪声精度的联合后验概率密度函数的因式分解为:,
然后,根据因式分解的结果可画出相应的因子图模型。
4.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法,其特征在于:步骤C1中具体包括:在因子图模型的部分I中,使用UAMP算法框架对输入消息和输出消息进行更新:,
其中,表示上述消息中变量对应的均值与方差。
5.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法,其特征在于:步骤C2中具体包括:在因子图模型的部分II中,根据变量之间的关系,结合消息传递的各项规则,先更新反向消息:,
其中,表示上述消息中变量对应的均值与方差;再更新正向消息:,
,
其中,表示上述消息中变量对应的均值与方差;然后根据因子图模型中变量的对称性,计算相应的反向传播消息、:,
其中,表示上述消息中变量对应的均值与方差;正向传播消息:,
其中,表示上述消息中变量对应的均值与方差。
6.根据权利要求1所述的一种基于稀疏贝叶斯学习的信道估计方法,其特征在于:步骤C3中具体包括:在因子图模型的部分III中,使用稀疏贝叶斯学习算法框架,对稀疏变量进行估计,首先更新反向消息:,
其中,表示的估计值,表示上述消息中变量对应的均值与方差;然后更新正向消息:,
其中,表示上述消息中变量对应的均值与方差;接下来,根据因子图模型中变量的对称性,更新反向传播消息、:,
其中,表示上述消息中变量对应的均值与方差;然后更新正向消息:,
其中,表示上述消息中变量对应的均值与方差;最后,由获得的消息计算待估计稀疏变量的近似边缘后验并获得估计值:,
其中,表示上述消息中变量对应的均值与方差。