1.一种大规模MIMO系统的上行链路信道估计方法，其特征在于，所述MIMO系统包括C个蜂窝小区，每个蜂窝小区配备1个基站和K个用户设备，每个基站配备N个天线，每个用户设备配备单个天线；在进行信道估计时，每个用户设备同时发送长度为L的导频序列；

该方法包括步骤：

(1)选取MIMO系统中的一个蜂窝小区为目标小区，定义Hc表示第c个蜂窝小区中所有用户设备到目标基站的信道向量矩阵，Hc＝[hc1，hc2，…，hcK]T，hck是一个N×1的向量，hck中的N个元素分别表示第c个蜂窝中的第k个用户设备到目标基站N根天线的信道；构建MIMO系统内所有用户设备到目标基站第n根天线的信道增益概率分布模型：其中，ρn，r表示第r个高斯混合分量的加权系数， R为高斯混合分量的总数；

表示均值为0，方差为 的一维复高斯概率密度函数，hk，n表示目标基站第n根天线与第k个用户设备之间的信道增益；

(2)采用最优贝叶斯估计法估计hk，n，得到估计值(201)计算均方代价函数为：

式中，c(hk，n)表示均方代价函数， 为hk，n的估计量， 是观测值yn的函数；

(202)计算均方代价函数的均值为：其中，P(hk，n，yn)表示均方代价函数的概率密度函数；

(203)定义：

cR＝∫c(hk，n)P(hk，n|yn)dhk，n    (4)计算：

得到：

根据公式 计算得到使均方误差最小的贝叶斯估计为：

其中，Q()表示含有CK个变量的后验概率P(hn|yn)的第k个变量的边缘概率密度函数，在导频信息和信道状态信息已知的条件下，概率P(yn|hn)的不确定度就是信道噪声的不确定度，且不同导频的噪声相互独立，得到：其中，sl，k表示第k个用户导频序列的第l个元素；Z是归一化常量，用于确保积分为1，Z＝P(yn)；

(3)采用层次聚类算法给定迭代初值，包括步骤：(3-1)将hn中的每个元素都划分为一个单独的类别，hn代表目标基站第n个天线接收到的波束中的信道响应，hn＝[h1，n，…，hCK，n]，zn代表第n个天线接收到的波束中的噪声，Δn表示zn的方差；

(3-2)计算所有数据类别之间的欧氏距离，将欧氏距离最小的两个数据类别进行组合，形成新的数据类别，反复执行步骤(3-2)，直到形成的数据类别的数目为R，转入步骤(3-3)；

(3-3)将每个类别中数据点数占所有样本点的比例作为ρn，r的初始值，将每个类别的方差作为 的初始值，将hk，n作为μk，n的初始值，μk，n表示hk，n的目标估计；

(4)采用近似消息传递算法求解最优贝叶斯估计中的边缘概率密度函数，得到hk，n的后验概率：将式(10)写为：

根据因子图理论得到：

Qk(hk，n)＝Ql→k(hk，n)Qk→l(hk，n)    (12)其中，Qk表示函数节点P(y1，n|hn)向变量节点hk，n所传递的消息，Ql→k表示变量节点hk，n向函数节点P(y1，n|hn)所传递的消息；Zl→k和Zk→1是归一化常量，包含所有与hk，n无关的项；

表示sl，k的

共轭，μj→l、vj→l表示变量节点hj，n向函数节点P(yl，n|hn)所传递的消息的均值、方差；

计算得到：

Zk为归一化常量；

计算不考虑hk，n的先验信息及归一化常量时，Qk(hk，n)的均值和方差分别为：定义目标估计为：

μk，n＝∫hk，nQk(hk，n)dhk，n，得到：

其中，

计算考虑hk，n的先验信息时，hk，n的后验概率为：得到hk，n的目标估计均值为：

hk，n的平方的估计为：

hk，n的目标估计方差为：

vk，n＝f-|μk，n|2    (22)(5)根据步骤(3)中得到的ρn，r、 μk，n的初始值以及步骤(4)得到的后验概率，采用期望最大算法迭代求解参数ρn，r、 和μk，n：(501)将ρn，r、 μk，n分别初始化为步骤(3)中得到的相应的初始值；

(502)对于每一个k，k＝1，2，…，CK，根据ρn，r、 μk，n和公式(18)计算：(503)根据公式(23)更新ρn，r和(504)根据公式(24)、(25)和(20)更新μk，n，返回步骤(502)；

(505)重复执行步骤(502)至(504)，直至达到预设的最大迭代次数，或μk，n收敛。