非完美硬件条件下的大规模MIMO时变信道估计

The main objective of this project is to overcome the disadvantageous influence of imperfect hardware, to fully take advantage of the sparse characteristics and time correlation of time-varying massive MIMO channel, and propose a practical time-varying massive MIMO channel training and tracking strategy. Firstly, the spatial filtering theory and Gaussian Markov model are selected to describe the spatial sparsity and temporal correlation characteristics of the channel, respectively. Base on these, a time-varying massive MIMO channel model is constructed. Secondly, a reasonable probabilistic graph model is constructed and a message passing algorithm is designed to quickly learn the model parameters with limited training resource costs. Then, in the low-rank angle domain, an iterative nonlinear filter is designed to track the instantaneous channel. Finally, we design an effective model monitoring and correcting mechanism to prevent the performance deterioration caused by the model mismatch. The research results of this project will significantly reduce the complexity and resource overhead of time-varying massive MIMO estimation and thus provide a theoretical basis and technical support for the practical application of massive MIMO systems under dynamic scenes.

本项目充分挖掘大规模MIMO信道角度域稀疏特性和时间相关性，克服实际系统中非完美硬件的不利影响，最终形成一套完整实用的大规模MIMO时变信道训练与跟踪策略。首先，运用空间滤波理论和高斯马尔科夫模型，分别描述信道空间稀疏特性和时间相关特性，构建大规模MIMO时变信道模型。其次，构建合理的概率图模型，并设计消息传递算法，以有限的训练资源开销，快速学习信道的空间特征参数和时变特征参数。然后，在低秩角度域，设计迭代式非线性滤波器跟踪瞬时信道。最后，设计有效的模型监督与修正机制，防止模型失配导致信道估计性能恶化。本项目将极大地降低大规模MIMO时变信道估计的复杂度和资源开销，为大规模MIMO在动态环境下的应用提供理论依据和技术支撑。

本项目对大规模MIMO时变信道估计技术进行研究。项目从实际系统出发，充分考虑非完美硬件系统中低精度ADC、模拟数字混合波束成型误差、相位噪声、非线性等因素对信道估计的不利影响，挖掘大规模MIMO信道的空间稀疏特性、时间相关特性，借助稀疏贝叶斯学习、消息传递算法、深度学习等算法与工具，形成一套完整可用的大规模MIMO时变信道估计策略。项目研究成果为大规模MIMO在无人机网络、车联网等动态环境实用化提供理论依据和技术支撑。具体研究成果如下：..1)针对动态环境下毫米波大规模MIMO系统的波束训练问题，发现毫米波的波束方向显式地依赖于用户位置，隐式地与信道状态信息相关。基于这一事实，提出一种基于深度神经网络波束预测框架。所提方案仅将用户位置和极少数天线的信道状态信息作为网络的输入，极大减小开销。与仅使用信道状态信息的算法相比，所提出有更好的性能和具有更强的鲁棒性。..2)针对有些应用场景下基站难以实时获取用户位置进行波束匹配的问题。充分挖掘用户位置与多基站信道间的关系，提出一种多基站协同的低开销波束预测方法。构建了一个深度神经网络来学习融合的天线数据和最优波束之间的映射关系。使用训练好的模型来预测最优波束。仿真结果表明，通过信道状态信息和隐含的用户位置信息这两种模态的相互补偿，模型的波束预测准确率相比仅使用单基站的波束预测方案具有明显的优势。..3)为了充分利用信道的稀疏性和时域相关性，提出了稀疏贝叶斯学习框架来估计稀疏虚拟信道的模型参数。具体来说，在期望阶段，因子图和通用近似信息传递算法被用来计算需要的后验统计数据，因此在计算边缘分布时避免高维积分运算。虚拟信道的非零支持向量是通过k-means聚类算法处理信道统计数据获得的。所提方案可充分利用信道的瞬时相关性，提高时变信道的估计与跟踪准确性。