基于隐聚类和狄利特雷过程的大规模MIMO-OFDM接收机设计

本文首先讨论了大规模MIMO-OFDM(Multiple-Input Multiple-Output Orthogonal Frequency Division Multiplexing)系统信道的空间相关性,提出了一种基于隐聚类假设的信道建模方法,利用概率参数模拟不同的传播环境.然后,将机器学习领域的狄利特雷过程(Dirichlet Process,DP)引入到稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)模型中,建立了DP-SBL结构,在信道估计的同时挖掘并利用大规模MIMO系统所特有的隐聚类特征.接着,将DP-SBL结构应用于大规模MIMO-OFDM系统中,在因子图上利用消息传递算法推导了一种基于隐聚类和狄利特雷过程的接收机算法.最后,将本文提出的接收机算法和现有算法进行对比分析.结果表明,本文提出的接收机算法充分利用了大规模MIMO-OFDM系统特有的空间相关性,能够以较低的计算复杂度获得较强的鲁棒性和显著的性能增益.