融合多维特征信息的大规模MIMO系统波束空间信道估计方法研究

Beamspace massive multiple-input-multiple-output (Massive B-MIMO) is one of the key technologies for achieving high spectral efficiency and power efficiency in dense cell communication in the future. Because the multi-dimensional structure of the system cannot be fully exploited, the existing beamspace channel estimation methods cannot effectively solve the problem of excessive pilot overhead when the number of base station antennas and/or the number of mobile users is large. This project starts from the system's low rank characteristic and the inherent implicit structure of multi-dimensional characteristic information and proposes a beamspace channel estimation method based on multi-dimensional characteristic information. The contents of this project include: mining the correlation of multi-dimensional characteristic information and establishing a receiving pilot signal tensor model that combines multi-dimensional characteristic information; designing the beamspace channel estimation method based on tensor decomposition, study the performance of Cramer-Rao Lower Bound of the estimated parameters; the uniqueness of the tensor decomposition of the received pilot signal is analyzed and the training sequence based on minimization of pilot overhead is designed. The project intends to solve the problems that the traditional beamspace channel estimation method has too much pilot overhead to improve the spectrum efficiency and power efficiency of the system, provides theoretical reference for the research and engineering implementation of Massive B-MIMO technology.

波束空间大规模多输入多输出（Massive B-MIMO）是未来实现密集蜂窝小区通信的高谱效、高功效关键技术之一。现有的波束空间信道估计方法，由于未能充分挖掘系统的多维度结构，在基站天线数和/或移动用户数较大时，不能有效解决导频开销过大的问题。本项目从系统低秩特性和多维特征信息的内在隐含结构出发，提出融合多维特征信息的波束空间信道估计方法，研究内容包括：挖掘系统多维特征信息的相关性，建立融合多维特征信息的接收导频信号张量模型；设计基于张量分解的波束空间信道估计方法，研究估计参数的克拉美罗界性能；分析接收导频信号张量分解唯一性条件，设计基于导频开销最小化的训练序列。本项目拟通过对上述问题的研究，解决经典波束空间信道估计方法导频开销过大对系统频谱效率和功率效率提升的制约，为Massive B-MIMO技术的研究和工程实现提供理论参考。

本项目以降低Massive B-MIMO系统导频开销、提高波束空间信道估计精度，最终实现系统可达增益最大化为基本目标，充分利用和发挥系统带来的多维特征信息以及独特的稀疏波束指向特性，主要研究内容包括：针对窄带系统波束空间信道估计问题，采用广泛的SV信道模型建立信道及其窄带通信系统，基于压缩感知技术的稀疏重构原理将波束空间信道估计建模为稀疏信号重构问题，所构建的两级波束空间信道估计优化模型可进一步提升信道估计性能；在此基础上，进一步深入分析了宽带系统波束空间信道估计问题。使用SV信道模型建立信道及其宽带通信系统，基于压缩感知技术的稀疏重构原理将宽带系统波束空间信道估计建模为稀疏信号重构问题，相比于传统的连续支撑集检测SSD算法，所提算法的NMSE性能提升了7dB；针对波束选择问题，以最大化系统和速率为目标，提出一种布谷鸟搜索（Cuckoo Search，CS）算法和蚁群优化（Ant Colony Optimization, ACO）算法相结合的波束选择方案（CSACO）。所提算法的可达和速率比现有其它算法有所提升；考虑透镜天线阵列技术与可重构智能表面（Reconfigurable Intelligent Surfaces，RIS）相结合，提出了一种基于透镜天线阵列的可重构智能表面辅助MIMO上行信道估计方法。利用系统的多维特征信息，挖掘基站接收导频信号与系统多维信息的联合相关性，研究基站接收导频信号的张量建模，提出了一种基于并行因子分解的交替最小二乘（Alternating Least Squares，ALS）信道估计框架。研究结果表明，ALS算法优于基准方案，ALS技术达到了CRB。本项目通过理论分析和仿真测试的手段验证方法的性能和复杂度，形成Massive B-MIMO系统中可达增益最大化时数据可靠传输的理论框架。