基于大规模MIMO实测信道数据的机器学习及其应用基础研究

As a key technology for 5G mobile communications, massive MIMO is expected to be extensively deployed and used in the near future, providing higher data rates and serving more user terminals in the same time-frequency resource compared to any conventional wireless systems. The benefits of massive MIMO, in essence, are brought by its very high spatial resolution of radio propagation channels, and thus channel research is all the time critical to the development of massive MIMO. The proposed project focuses on the large amount of channel data generated in massive MIMO systems, and plans to use machine learning techniques to exploit the “big data” of wireless channels, i.e., trying to find hidden structures and disclose channel evolution properties across time, frequency and space, also to extract effective components and key information in the data. Through understanding and discovery of measured channel data, the proposed project aims for: 1) improving current channel modeling approaches and models, 2) designing low-complexity algorithms and baseband processing methods for massive MIMO, and 3) exploring new applications based on radio environment learning and sensing. Scientifically, the proposed project introduces novel approaches for massive MIMO channel research. Practically, it will increase our understanding of propagation channels, reducing massive MIMO system and algorithm complexity, and potentially bringing up new applications for future technologies.

作为5G移动通信关键技术，大规模MIMO有望在未来得到广泛部署和应用，提供比以往无线通信系统更高的速率并同时同频接入更多的终端。大规模MIMO的优势本质上得益于很高的无线信道空间分辨率，因而对大规模MIMO信道的研究一直至关重要。本项目着眼于大规模MIMO系统所产生的大量信道数据，采用机器学习来分析、处理信道“大数据”，发现数据的潜在结构，揭示信道在时域、频域、空域之间的关联和演变特性，利用信道的稀疏结构，提取数据中的有效成分和关键信息。通过对信道数据的分析、理解和发现，本项目的研究重点包括：改进现有的信道建模方法和模型；设计低复杂度的大规模MIMO通信算法和基带处理方法；探索无线信道环境学习与感知的前沿应用。本项目从基于实测信道数据的机器学习角度出发，为大规模MIMO信道研究提供了崭新的思路，其成功实施将增强对信道特性的理解，降低大规模MIMO的系统和算法复杂度，并有望产生新的科技应用。

大规模MIMO是5G/5G+移动通信的关键技术，得益于在空域上极大扩展了无线信道，能提供比传统通信系统更高的传输速率和频谱效率，因而获得了广泛部署和应用。大规模MIMO技术的优势本质上来源于无线信道空间分辨力的提升，系统性能也取决于各种场景下的信道特性，因此大规模MIMO信道研究一直至关重要。由于大规模MIMO信道具有多维度、大数据的特征，可利用机器学习技术进行挖掘和分析，本项目即基于大量实测信道数据，重点研究了大规模MIMO信道预测和终端定位两大问题。其中，移动场景下的大规模MIMO信道预测和系统性能增强，一直为业界难点问题，基于大规模MIMO信道状态信息的终端定位则是通信感知一体化的潜在应用。此外，从信道特性的角度出发，本项目还研究了大规模MIMO天线阵列设计、FDD模式下的信道重构等问题。.在针对移动场景的大规模MIMO信道预测研究中，本项目提出了信道结构变换和时间序列预测相结合的方案，采用了张量分解、卷积神经网络（CNN）作信道结构变换，自回归（AR）、长短期记忆网络（LSTM）作时间预测，获得了较低的预测误差和接近理想的系统性能。基于2.6GHz频段实测信道数据的仿真表明，在30km/h的用户移动速度下，预测误差相较老化信道有大幅降低，系统速率可达理想的76-96%。因此，本项目在一定程度上解决了用户移动带来的信道老化问题。.在基于大规模MIMO信道状态信息的定位研究中，本项目通过深度学习充分挖掘信道中隐含的多径信息，提出了无指纹的终端定位方法。仿真表明，在2.6GHz频段、128个基站天线、50MHz信号带宽的情况下，约95%信道场景的定位误差小于1米，意味着定位准确度可达到分米级。该方法可用于室内外定位，作为卫星定位的补充，获得更高的定位精度，且无需建立指纹库，因而比传统定位方法具有更低的复杂度。.本项目研究表明，大规模MIMO信道数据具有极大的挖掘和分析价值，运用合适的机器学习方法和算法，一方面能够提升实际系统的通信性能，另一方面可利用较高的分辨力感知、学习无线信道环境，进而辅助通信或产生新的科技应用。