买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利基于稀疏贝叶斯学习的马尔可夫链蒙特卡罗信道估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119945854B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510154236.9，技术领域涉及：H04L25/02；该发明授权基于稀疏贝叶斯学习的马尔可夫链蒙特卡罗信道估计方法是由梁乐;樊啸天;周星宇;金石设计研发完成，并于2025-02-12向国家知识产权局提交的专利申请。

本基于稀疏贝叶斯学习的马尔可夫链蒙特卡罗信道估计方法在说明书摘要公布了：本发明公开了一种基于稀疏贝叶斯学习的马尔可夫链蒙特卡罗信道估计方法，属于无线通信技术领域。该方法包括以下步骤：将信道估计问题中的未知量建模为随机变量，构建贝叶斯概率图模型；针对信道元素引入结构化混合高斯先验分布，并通过伯努利离散变量将混合高斯先验转化为乘积形式；推导所有变量的条件后验分布，利用多个并行吉布斯采样器进行高维采样，收集收敛样本后求平均得到信道估计值。本发明通过结合稀疏贝叶斯学习与马尔可夫链蒙特卡罗方法，解决了传统压缩感知算法依赖先验信息不足、易陷入局部最优的问题，显著提升了信道估计精度，同时利用并行采样降低计算复杂度，适用于超大规模MIMO系统。

本发明授权基于稀疏贝叶斯学习的马尔可夫链蒙特卡罗信道估计方法在权利要求书中公布了：1.一种基于稀疏贝叶斯学习的马尔可夫链蒙特卡罗信道估计方法，其特征在于，包括以下步骤： S1、将信道估计问题中的所有未知量建模为随机变量，构建贝叶斯概率图模型；针对待估计的信道元素，引入结构化混合高斯先验分布，并通过引入伯努利离散随机变量，将混合高斯先验从求和形式转化为乘积形式；对其他所有随机变量引入对应的共轭先验； S2、根据吉布斯采样原理，推导贝叶斯概率图模型中所有随机变量的条件后验分布； S3、运行多个并行的吉布斯采样器，对所有随机变量的条件后验分布进行按维度顺序的串行采样；在预设的预烧期之后，收集每个采样器收敛的样本； S4、通过对每个采样器的信道元素样本求平均值，得到信道矩阵的估计值； 所述步骤S1中： 结构化混合高斯先验分布定义为： 其中，αc是描述用户间联合稀疏性的混合高斯精度向量，αk是描述用户自身稀疏性的混合高斯精度向量；Hkn,m表示第k个用户设备信道矩阵中第n行第m列的信道元素，ρn表示混合高斯先验的混合系数，其范围是[0,1]，K、N、M分别表示用户数量、信道矩阵的列数、信道矩阵的行数；NC表示复高斯分布；通过引入混合高斯先验分布，描述用户设备信道的自身稀疏性以及部分共享稀疏性； 引入伯努利离散变量wn，其表达式为将混合高斯先验转化为乘积形式 其中，αc,n是描述用户间信道矩阵第n行联合稀疏性的噪声精度变量，αk,n是描述用户自身信道矩阵第n行稀疏性的噪声精度变量； 所述步骤S1还包括： 对混合高斯先验的混合系数ρn引入贝塔先验，其表达式为： ρn～Betaλ0,λ1 其中λ0与λ1为beta先验的超参数； 对混合高斯的精度元素αc,n以及αk,n引入伽马先验，其表达式分别为： αc,n～Gammaac,bc αk,n～Gammaa0,b0 其中ac与bc为αc,n随机变量伽马先验的超参数，a0与b0为αk,n随机变量伽马先验的超参数； 对未知噪声精度随机变量引入伽马先验，其表达式为： βk～Gammaθ0,θ1 其中，θ0与θ1为随机变量βk伽马先验的超参数； 所述步骤S2中条件后验分布包括： 混合系数变量ρn的条件后验为贝塔分布，表达式为： pρn|-∝Betaλ0+wn,λ1-wn+1 噪声精度变量αc,n的条件后验为伽马分布，表达式为： 噪声精度变量αk,n的条件后验为伽马分布，表达式为： 伯努利变量wn的条件后验为伯努利分布，表达式为： 其中， 噪声精度变量βk的条件后验概率分布为伽马分布，表达式为： 其中，T表示导频长度，X表示导频矩阵，Yk表示第k个用户设备的接收信号矩阵； 信道元素变量Hkn,m的条件后验为复高斯分布，表达式为： 其中Xi,n表示导频矩阵第i行第n列的元素； 其中表示第k个用户设备接收信号矩阵第i行第m列的元素，Ei的定义由下式给出：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：211189 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。