基于机器学习的大规模MIMO信道估计技术研究文献综述

1. 文献综述（或调研报告）：

大规模MIMO通过在基站侧安装成百上千根天线，甚至趋于无穷，来实现大量天线同时收发数据，通过空间的复用技术，在相同的时频资源下服务更多的用户，从而提升无线通信系统的频谱效率[1]，其原理在于当信道的空间维度趋于无限大时，子信道间也会趋于正交。为了利用这些优点，基站需要准确的下行链路的信道状态信息以执行最优波束成形，用户端则需要它来检测信号[2]。此外大规模MIMO对空间维度的充分利用，是依赖于基站对准确的信道状态信息的掌握的。

为了获得更准确的信道状态信息，Alexandropoulos等人提出了通用型大规模MIMO系统上下行链路信道校准的深度学习算法。他们在这篇文献中提出了一种深度学习框架来处理大规模MIMO上下行信道中的校准问题。在时分双工（TDD）中，由于信道互易性的存在，我们可以先通过上行链路的导频信号所估计的信道状态信息来估计下行链路的信道状态信息。但因为收发端的前端的模拟电路往往不同而破坏了信道互易性[3]，但为了能继续利用这一方便的特性，需要对收发机进行信道校准。根据系统的设置和要求，所采用的校准方法也会有很多种。由于硬件电路校准的校准方法的精度主要取决于射频电路，但射频不匹配会使系统性能下降，校准电路本身也会导致非线性产生。 Dongming Wang等人提出了互耦合校准以帮助下行链路的最大比传输预编码的完成。通过使用大规模MIMO中天线相邻很近而产生的较强的互耦合效应，基站可以摆脱额外的硬件电路和用户的参与并高效地完成校准工作，此外，该方法校准后，射频不匹配的相位范围对系统性能没有了影响[4]。 Kaltenberger通过对MIMO两端进行双向的测量提出了TDD模式下MIMO系统的相对信道互易性校准算法，该算法能让单一用户的MIMO系统的容量增加到理论极限[5]，但对多用户MIMO系统的效果还不确定。Decurninge提出了TDD模式下大规模MIMO系统的校准的框架，这是一个能表示不同校准方法的统一框架，并基于此框架展示了一种新式的基于天线分组的校准方案，它相较于传统校准方法能更快地加速校准过程[6]。这些校准方法基本都是先算出上下行间信道的校准系数，再将系数应用到上行链路的估计结果中，以此得到下行链路的估计。Alexandropoulos不同于前人所提出的基于天线分组等校准方法，他们的该算法采用了深度学习框架来校准。在训练阶段会借助测量上下行链路的训练数据来训练深度神经网络，然后就可以用得到的深度神经网络校准未知的信道。一般来说，深度神经网络具有多层结构。在其输入层和输出层之间是多个隐藏层[7]。根据万能近似定理，一个仅有单个隐藏层的深度神经网络只要在神经元足够多的情况下，通过一个非线性激活函数，足以拟合任何函数，即深度神经网络可以拟合任何函数，我们所要考虑的如何更好地拟合。因此该算法与之前的校准方法相比最大的不同就是它不局限于上下行链路间的关系是否为线性的。

在频分双工（FDD）中，我们没有了TDD中的信道互易性，获取下行链路的信道状态信息时，由于下行的训练和上行的反馈的开销过高，成为了一项十分困难的工作。针对此信息的预测，也有许多的算法被提出。Feifei Gao等人提出了一种在TDD/FDD模式下的大规模MIMO的增强的信道估计方案。这一方案是基于阵列信号处理技术中的上/下行链路的信道协方差矩阵的重建，其中信道协方差矩阵的重建又可分为角度扩展（AS）估计和功率角谱（PAS）估计。此方案与许多现存方案相比，它不需要长时间地获取上行链路的信道协方差矩阵，并能处理有着更大的角度扩展的更实际信道传播环境[8]。Yu Han等人在考虑了在FDD模式下使用OFDM技术的多用户大规模MIMO系统后，提出了一种收发机框架。这一框架由三部分组成，首先是获取上行链路的每条路径的频率无关的参数，接下来是决定估计下行链路的增益所需要的下行链路的导频，在决定了导频后就是多用户下行链路的增益估计和信道状态信息的反馈了。这是一种高效的基于下行链路信道重建的收发机，它借助上下行链路的空间互易性减少了训练和反馈的开销，它解决了3D大规模MIMO-OFDM系统中的方位角、延迟等问题和估计多用户的下行链路增益的问题[9]。随着科学的发展，后续的算法又引入了深度学习。YUWEN YANG等人提出了一种双选择性信道的基于下行链路的估计算法，为了进一步改进这个估计算法的性能还使用了深度神经网络来获取希望的算法的初始状态[10]。该算法在效率和鲁棒性都表现出色，并且因为它是由数据驱动，不依赖于对信道特定的了解，所以能成为估计未知或难以分析的信道的候选方法。Geoffrey针对OFDM系统中的信道估计和符号检测采用了深度神经网络模型处理。这一模型把OFDM和无线信道看作一个黑盒子，依据离线时的数据进行训练[11]。而他的模拟结果证明了深度学习的方法在面对因严重的失真和感扰而变得复杂的信道时，是有优势的，它能够记忆和分析信道的复杂特点。Chao-Kai Wen在信道状态信息感知和恢复网络中使用了深度学习，这使得网络在低压缩率下依然表现良好，并且减少了时间复杂度[12]，但恢复的质量在使用更高级的深度学习技术后能否更进一步地得到改善还不能确定。Yuwen Yang提出了一种稀疏复值的神经网络（SCNet）模型，神经网络使得许多推理和建模等任务得到很大改进。该模型的优点在于：首先，它的稀疏性可以减少系统输入的参数，使网络得到简化以及鲁棒性的增强；其次，复值网络的在表达能力和对复值函数的学习能力上都要优于实值网络。并且模拟结果也显示该网络在预测的准确度上是超过其它现存的网络的[2]。

支持5G发展的一个主要经济因素是5G能支持基于定位的服务，而作为5G关键的支持技术，大规模MIMO同样具有改善用户定位精准度的潜力。因为定位是一个空间推理问题，所以利用大规模天线阵列对空间维度进行过采样对于定位工作来说是有意义的（因为能提高角分辨率、抗小规模衰落和阵列增益）[13]。Garcia贡献了一项被称为直接源定位（DiSouL）的新型定位技术。它能在密集的多径环境中对窄带信号大概率地完成亚米级精度的定位，并且由于它不需要除了噪声方差以为的信道的统计信息，它能适应于任何多径环境[14]。Pirzadeh提出了先构建一个密集的射频拉远网络和服务于其覆盖区域内单天线用户的大规模天线阵列，然后基于射频拉远收集的上行链路测量信号来估计用户的位置[15]。最后一步的估计会用三种比较广泛使用的机器学习模型：线性回归，加权K最近邻和多层感知神经网络对各自估计的用户位置作比较。模拟的结果表明，通过使用基本的用户信道特点，我们可以设计出机器学习的方法，如加权K最近邻和神经网络这些能在有着大量用户的网络中，不需要额外的信号就可给出可接受的位置信息。

因为大规模MIMO充分利用了空间维度资源，所以它能提供极高的容量增益。然而这种容量增益会因为信道状态信息的不准确而减小。Muriel等人研究了单用户时变信道接收端对信道了解的不确定性的影响[16]，在知道测量噪声的协方差的情况下，可以得到与信道和测量的分布无关的互信息量的上下边界,并根据下界修正了最优功率自适应。Andrea等人在不同信道边信息的条件下，确定了有平均功率约束的衰落加性高斯白噪声信道的容量[17]。Klein等人则是研究了边信息不完美的时变加性高斯白噪声信道。在实际系统中，信道增益是可以由一个探测信号估计得到但估计误差也是不可避免的[18]。与前人计算后验估计误差的影响的工作不同，他们确定了一种先验地结合估计误差的统计知识的功率分配。而他们的分配策略在对信道估计误差的鲁棒性上也确实优于信道反演策略。与前面的算法相比，Taesang研究的具有信道估计误差的衰落MIMO信道的容量和功率分配则考虑了信道的衰落条件，因为它影响着信道状态信息的准确度和获取方式。该算法关注的并不是如何尽可能无偏地估计信道，而是在承认信道估计误差存在的条件下，计算信道估计误差对MIMO衰落信道的容量的影响。算法先在反馈完美且即时的前提下推导出能最大化互信息下界的覆盖时频域的最优发射机功率分配策略，并以此获取遍历和中断容量的下界[19]。而最后也会把反馈延迟的情况纳入考虑，并证明较小的延迟造成的容量损失是微不足道的。

信道估计可分为信道盲估计和基于导频的信道估计两种，前者对于发射端和传输过程都很简单，但极大地提高了接收端的复杂度，并且会带来较大的估计误差；在后者的方法中，用户需要向所在小区的基站发送导频序列，基站再根据这些导频序列估计信道状态信息，并调整波束成形。理论上，每个用户可以采用相互正交的导频序列，但是由于导频资源的有限，用户发送的导频序列长度不可能无限长[1]，当用户数增长到一定数量时，就会出现用户间使用了相同的导频序列。原本得益于大规模MIMO中基站天线数量的增加，不同用户的信道向量趋于正交，噪声和用户信道间的干扰趋于消除。但现在大规模MIMO系统所能达到的最大速率不得不受限于相邻小区中复用了相同导频序列的用户发送相同导频时产生的相互干扰，即导频污染。

为此许多研究人员提出了许多方法，Elijah等人概述了大规模MIMO中的TDD和FDD方案，分析了TDD模式下大规模MIMO中导频污染的影响。他们对不同的减小导频污染的方法进行了综述，也根据估计信道信息的途径对这些方法进行了分类。他们发现大部分提出的减小导频污染的方法都假设信道互易性存在，而在一个实际系统中，硬件损伤和非互易的收发机都会成为导频污染的来源[20]。

Appaiah提出了一种减小导频污染的导频传输协议，即在每个提出了一种改进的帧结构，其中导频传输在每个小区的非重叠时间内完成[21]。与这一方法相对的是一个小区的基站通过估计相邻小区的基站发送的强信号估计信道状态信息，他们对这两种方法在同一场景下进行比较，发现他们的方法能显著提升系统的吞吐量，这也使他们能借此克服系统吞吐量饱和的问题。Gesbert等人基于干扰受限的多小区、多天线系统提出了一种协方差辅助的信道估计框架。他们改进了贝叶斯估计量，证明了这一方法对大规模天线系统的效率，从而在协方差矩阵满足一定的非重叠条件时完全消除导频污染的影响[22]，为使协方差矩阵能满足条件，他们也提出一种协调的导频分配策略以帮助它满足条件，由模拟结果得到这两者的结合使信道估计的性能与在无干扰的场景下的结果接近。 Jose讨论了多小区TDD系统的导频污染和预编码。他们发现在导频污染的影响下，用户的可达到速率会向基站天线数趋近饱和[23]，为克服这一饱和问题，他们提出了一种基于最大均方误差的多小区预编码，这一方法不仅减小小区间和小区内干扰，而且从数值结果看，它的表现要优于流行的单一小区的预编码。Emil提出了一种新式的多小区最大均方误差检测器，它考虑了导频和有效载荷的功率分配、不准确的信道估计和随机导频分配。通过在一个基站利用所以估计过的信道方向，所提出的检测器能主动抑制小区内干扰、部分小区间干扰和噪声[24]。NGUYEN提出一种新型的迭代算法来解决多用户、多小区大规模MIMO的和速率和系统能量效率的优化问题，在其每步迭代中都会解决两个子问题，一个优化功率分配，另一个优化导频分配[25]。他们所模拟得到的数值结果证实了算法的收敛性，以及它比传统的导频分配方案在和速率及系统能量效率上都表现得更出色。Binyue提出了一个特定于小区的上行链路训练方案，它把导频污染限制在一个小区内，而为了消除由下行链路数据传输中小区内导频污染引起的小区内干扰，改进并采用了导频污染消除预编码方案[26]。当采用提出的方案时，用户在下行链路接收到的信号与干扰加噪声比在基站天线数趋向无穷时也趋向无穷。在具有有限基站天线的场景中，改进的方案的表现也优于现有的方案。Sohn在给定相干时间间隔与用户数之比时提供了一种从数值分析得到的方法以寻找最优的信道训练时间，因为在有着干扰小区的大规模MIMO中，对于给定的相干时间间隔与用户数，要找到合适的分配给信道训练的部分相干间隔并不是简单的事。当上述的比值足够大且假定在按六边形小区和等距的分层划分中，这一最优分配与随机导频分配和完全导频复用相比在使系统获得巨大吞吐量上有着很大优势[27]。但这些方法都只是考虑如何靠导频分配来减轻导频污染。而Jy-yong Sohn提出的大规模MIMO系统中最大化加权和速率的导频复用策略则是借助小区划分，在标准相干时间和最优导频数之间建立起连系，并依据优先级将用户分成不同群体，给予不同群体不同的权重，在确定最优导频分配向量的解的同时，确定最大化的加权和速率[28]。这一策略的解析解比传统分配在最大化网络和速率上更优秀，并且他提出的策略的最优解适用于各种实际的信道场景。

以上这些算法都是依据具体的设想所提出的，之后本文要研究的就是所有这些算法在各自条件下性能的表现，并在一些设想中同时模拟几种算法对其展现出的性能间的差异进行比较和评估，判断这些算法中是否存在能适应多种设想的算法。

参考文献：