1.一种基于低秩矩阵恢复的毫米波大规模MIMO信道估计方法,其特征在于,包括以下步骤:步骤1,构建毫米波大规模MIMO系统模型和信道模型,发射端和接收端均采用均匀线性阵列(ULA),并生成信道矩阵;
步骤2,提出一种改进的θ-范数,利用毫米波信道矩阵的低秩特性,将信道估计问题转化为基于改进的θ-范数的最小化问题;
步骤3,对改进的θ-范数进行和式分解,将θ-范数分解成核范数和奇异值函数之和的形式;
步骤4,将信道估计问题进一步转化为基于联合核范数和奇异值函数的双目标凸优化问题;
步骤5,使用交替优化框架求解双目标最小化问题。
2.根据权利要求1所述的一种基于低秩矩阵恢复的毫米波大规模MIMO信道估计方法,其特征在于,所述步骤1具体如下:基站端配备N
按系统模型生成的信道矩阵H表示如下:
其中ρ表示传输路径损耗,L表示有效路径数,g
3.根据权利要求1所述的一种基于低秩矩阵恢复的毫米波大规模MIMO信道估计方法,其特征在于,所述步骤2具体如下:传统的θ-范数表示如下:
其中r表示矩阵H的秩,对于传统的θ-范数,最理想情况,当θ为1时,当H的奇异值大于θ时,θ-范数的值为1,可以很好的逼近秩函数,但对于小于θ的奇异值,θ-范数的值就等于奇异值本身,并不等于1,因此不能很好地逼近秩函数;
因此,针对传统θ-范数无法很好地逼近秩函数的问题,对传统的θ-范数进行改进,提出了一种改进的θ-范数,具体如下:对于趋于0的小参数θ,我们可以看到,
4.根据权利要求1所述的一种基于低秩矩阵恢复的毫米波大规模MIMO信道估计方法,其特征在于,所述步骤3的分解过程如下:由于改进的θ-范数是非凸的,对它的求解较为困难,因此对改进的θ-范数进行和式分解,把它分解成核范数和奇异值函数之和的形式,具体表示如下:其中,||H||
5.根据权利要求1所述的一种基于低秩矩阵恢复的毫米波大规模MIMO信道估计方法,其特征在于,所述步骤4具体如下:由于核范数和奇异值函数都是凸的,因此两个凸函数的和也是凸的,因此基于改进的θ-范数的非凸最小化问题就变成了便于求解的基于联合核范数和奇异值函数的双目标凸最小化问题,具体表示如下:s.t Y=HX
P
其中,Y表示接收信号矩阵,X表示导频矩阵,Ω表示采样矩阵,M为信道矩阵H的观测矩阵,P
6.根据权利要求1所述的一种基于低秩矩阵恢复的毫米波大规模MIMO信道估计方法,其特征在于,所述步骤5具体步骤如下:Step1:构造对偶问题,引入辅助变量矩阵H=D和H=W作为约束条件;
Step2:将Step1中的双目标凸优化表达式进一步转化为增广拉格朗日函数L(H,D,W,ZStep3:通过最小化每个变量的增广拉格朗日函数L(H,D,W,ZStep4:更新Z
Step5:k=k+1;
Step6:最后输出信道估计矩阵