1.一种基于延迟-多普勒域的信道估计方法,其特征在于,该方法包括:建立信道模型,根据信道的结构稀疏性将所述信道模型构建为一个稀疏信号恢复任务模型;
根据联合概率模型和贝叶斯建立因子图模型;其中,所述因子图模型中的节点包括:函数节点、变量节点和观测节点;
根据消息传递规则计算所述因子图模型中的所述函数节点与所述变量节点之间传递的消息以及所述函数节点与所述观测节点之间传递的消息;
根据所述函数节点与所述变量节点之间传递的消息以及所述函数节点与所述观测节点之间传递的消息更新各个所述节点的置信度;
根据各个所述节点的置信度计算所述观测节点的方差和均值,并迭代更新所述观测节点的方差和均值,得到所述稀疏信号恢复任务模型中的信道。
2.根据权利要求1所述基于延迟-多普勒域的信道估计方法,其特征在于,所述建立信道模型,根据信道的结构稀疏性将所述信道模型构建为一个稀疏信号恢复任务模型,包括:在正交时频空间调制多输入多输出系统中,由Q条主导传播路径组成的时变信道,第f个发射天线和第r个接收天线的时变信道模型为:(1);
式中,、、、分别表示信道增益、多普勒频移、传播延迟和相位差,f=0,1,...,Nt1,r=0,1,...,Nr1;表示时延索引,表示指数函数e的复数部分,表示多普勒索引,q=1,...,Q,为在处计算的带限脉冲整形滤波器响应,Ts表示系统采样间隔。
3.根据权利要求2所述基于延迟-多普勒域的信道估计方法,其特征在于,所述建立信道模型,根据信道的结构稀疏性将所述信道模型构建为一个稀疏信号恢复任务模型,包括:采用非正交导频模式将导频和数据排列在正交时频空间OTFS符号中同时传输,将一个长度为M×N的符号序列,重新排列成一个二维数据块XDD,XDD∈M×N,其中,M和N分别表示在频域上的子载波数量和时间域上的数量,第f个发射天线发送的符号经过逆傅里叶变换后表示为:(2);
式中,表示M点傅里叶变换矩阵,表示归一化N点快速傅里叶变换矩阵,H表示共轭转置,表示逆傅里叶变换;
OTFS中的传输时域信号通过先进行逆傅里叶变换应用于然后进行海森堡变换来获得,OTFS中的传输时域信号表达式为:(3);
(4);
式中,是通过在对发射脉冲采样得到的对角矩阵,表示第t个发射脉冲;
对OTFS中的传输时域信号进行处理,得到从第f个发射天线到第r个接收天线的端到端时延-多普勒域输入输出模型为:(5);
式中,表示接收信号;
对MIMO-OTFS的输入输出模型进行矢量化,得到矢量化后的输入-输出关系,其表达式为:(6);
式中,表示在时延-多普勒域的信道,是加性高斯随机白噪声,表示在第f个发射天线处得时延索引指数,表示在第f个发射天线处得多普勒索引指数;
将公式(1)和公式(6)沿天线索引f进行空间离散傅里叶变换后,得到稀疏信号恢复任务模型,其表达式为:(7);
,yi为测量值,h表示信道,其维度为MgNgNt×1,噪声向量,其维度可用MgNg×1表示,为了方便表示令,表示字典矩阵,维度为P×C,其中,,。
4.根据权利要求3所述基于延迟-多普勒域的信道估计方法,其特征在于,所述根据联合概率模型和贝叶斯建立因子图模型,包括:将公式(8)中的联合概率密度函数分解为因子,并进一步将其表示为分层先验模型;
(8);
式中,i,c属于集合;
构造因子图中隐变量集合为,在集合中分别也表示概率因子图中变量节点,i为降低计算复杂度引入标量因子,表示近似高斯分布函数,表示伽马分布,表示近似高斯分布函数,表示伽马分布,表示高斯分布。
5.根据权利要求4所述基于延迟-多普勒域的信道估计方法,其特征在于,将所述因子图模型中的函数节点的集合定义为集合,将分成两部分:和;其中,表示函数集合,表示函数集合表,表示函数节点,表示任意的i,,,部分用BP消息传播,在部分利用MF变分平均场消息聚合。
6.根据权利要求5所述基于延迟-多普勒域的信道估计方法,其特征在于,所述根据消息传递规则计算所述因子图模型中的所述函数节点与所述变量节点之间传递的消息以及所述函数节点与所述观测节点之间传递的消息,包括:从函数节点到变量节点的消息的表达式为:(9);
式中,表示变量节点的置信度,表示指数函数;
利用BP消息传播规则,假设由变量节点hc到函数节点的消息已知并遵循高斯分布,则从函数节点到变量节点hc的消息表达式如下:(10);
式中,表示从函数节点到变量节点hc消息对应的均值,表示从函数节点到变量节点hc消息对应的方差。
7.根据权利要求6所述基于延迟-多普勒域的信道估计方法,其特征在于,所述根据消息传递规则计算所述因子图模型中的所述函数节点与所述变量节点之间传递的消息以及所述函数节点与所述观测节点之间传递的消息,包括:从函数节点到变量节点hc消息对应的均值和方差分别表示为:(11);
(12);
式中,表示感知矩阵,所传递的消息,表示近似高斯分布的均值,表示近似高斯分布的方差,表示变量节点hc到函数节点的消息,表示初始估计值;
假设从变量节点传输到函数节点的先验信息已知,随机变量节点γ的置信度b(γ)已知,并且都遵循高斯分布,同时根据中心极限定理,可以得到则从变量节点hc到函数节点的消息的表达式为:(13);
(14);
(15);
式中,为的伴随矩阵,表示矩阵的Frobenius范数,表示变量节点的hc近似高斯分布的均值,表示表示变量节点hc的近似高斯分布的方差,从函数节点到变量节点hc的消息的表达式为:,(16);
式中,表示变量节点的置信度。
8.根据权利要求7所述基于延迟-多普勒域的信道估计方法,其特征在于,所述根据所述函数节点与所述变量节点之间传递的消息以及所述函数节点与所述观测节点之间传递的消息更新各个所述节点的置信度,包括:通过更新所传递的消息,得到观测节点的置信度为更新两个节点传递消息的乘积:(17);
其中,观测节点满足高斯分布,观测节点的方差和观测节点的均值分别如下:(18);
(19);
式中,表示变量节点的均值;
所传递的消息为:
(20);
其中,所传递的消息可近似为高斯分布(20)方差和均值分别如下:(21);
(22);
再次利用BP消息传播规则,计算从函数节点到变量节点的消息,并计算概率因子图模型中变量之间的条件概率分布;(23);
(24);
(25);
根据先前迭代的消息和相乘得出变量节点,的表达式如下:(26);
(27);
(28);
式中,分别表示变量节点的均值和方差。
9.根据权利要求8所述基于延迟-多普勒域的信道估计方法,其特征在于,所述根据各个所述节点的置信度计算所述观测节点的方差和均值,并得出隐变量的近似后验分布,迭代更新所述观测节点的方差和均值,得到所述接收信号中的信道,包括:构造辅助函数并使其与公式(8)及后验概率之间的散度最小化,由此在后续更新中通过因子图的消息更新得到辅助函数:(29);
其中,是隐变量的近似后验分布,在接下来的推导中令表示在下的期望,q(h)的近似后验分布需要将这两个消息相乘得到一个近似后验分布的高斯概率密度函数,其方差矩阵和均值由以下给出:(30);
(31);
(32);
的更新与消息和的乘积成比例,为近似后验分布,其计算方式由下式给出,,为常数:(33);
(34);
的近似后验分布函数对应于广义逆高斯分布可以用封闭形式给出通过公式(19)和(34)可以得到在下的期望:(35);
表示阶第二类修正贝塞尔函数,的近似后验分布函数表示具有形状参数J和速率参数的伽玛函数,的近似后验分布由(26)至(28)给出得到在下的期望:(36);
(37);
(38);
对公式(30)和(31)进行分块处理以降低复杂度,在后续更新中,假设对h分解成块,每块的均值和方差的更新可通过辅助概率函数近似得到:(39);
(40);
式中,表示共轭转置矩阵。
10.根据权利要求9所述基于延迟-多普勒域的信道估计方法,其特征在于,所述根据各个所述节点的置信度计算所述观测节点近似后验分布函数的方差和均值并使其散度最小化,并迭代更新所述观测节点的方差和均值,得到所述接收信号中的信道,包括:变量节点h的均值和方差如下:
(41);
(42)。