宽带大规模MIMO参数化信道估计与联合信号检测研究

Wideband large-scale MIMO equipped with a large number of antennas at the base station can significantly boost energy and spectral efficiency. The accurate channel estimation and reliable signal detection are important technologies of developing massive MIMO advantages. However, under harsh wireless multipath fading channels, due to the existence of a large number of spatial channel parameters and severe channel interference, the main challenge of putting large-scale MIMO into effect is how to effectively recover the transmitted signals with low-complexity channel estimation and detection techniques. In order to improve the transmission efficiency for massive MIMO under multipath fading channels and achieve the robust signal restoration with reduced complexity, this project presents the research on parametric sparse channel estimation and joint signal detection for wideband large-scale MIMO systems, concrete research content focuses the following three aspects: (1) parametric sparse channel estimation in static settings; (2) low-complexity iterative signal detection in static settings; (3) joint dynamic channel estimation and signal detection over time-varying environments. Presently, the research at home and abroad on the channel estimation and signal detection for massive MIMO systems is still at the start stage, the research achievements of this project can provide solid theoretical guidance and technical support for the practical application of massive MIMO.

宽带大规模MIMO通过在基站布置大量的天线，可显著提高无线传输的能量效率和频谱效率，其中，精确的信道估计和可靠的信号检测是发挥其性能优势的关键。然而，在恶劣的无线多径衰落信道下，由于存在大量的空间信道参数和严重的信道干扰，如何以低复杂度的信道估计和检测算法有效地恢复发射信号是大规模MIMO的主要挑战。因此，为了提高大规模MIMO多径衰落信道下的传输效率、实现低复杂度鲁棒的信号恢复，本项目提出研究宽带大规模MIMO的参数化信道估计与联合信号检测，具体研究内容主要集中于三个方面：（1）静态环境下参数化稀疏信道估计；（2）静态环境下基于迭代方法的低复杂度信号检测；（3）时变环境下的联合信道估计和信号检测。目前国内外对大规模MIMO信道估计和信号检测的研究尚处于起步阶段，本项目的研究成果可为大规模MIMO的可靠性和实际应用奠定坚实的理论基础并提供有力的技术支持。

本项目的研究课题宽带大规模MIMO是第五代和未来移动通信的关键技术之一，是解决频谱资源稀缺和日益增长的信息传输量需求的一个有效的技术方法，通过在基站布置大量的天线，大大提高无线传输的能量效率和频谱效率。本课题主要针对大规模MIMO的关键物理层技术——信道估计和信号检测进行研究，其中信道估计的研究内容侧重于基于压缩感知的稀疏信道估计，利用大规模MIMO结构稀疏的特点，分析并仿真了不同稀疏算法的估计精度，比如OMP、SP、CoSaMP算法以及Bayesian算法，前者适合稀疏度已知的情况，贝叶斯稀疏算法适合稀疏度、信道的位置和幅值均未知的情况，且具有较为优良的估计性能。这些估计算法可设法降低迭代次数进而控制算法的复杂度。自2018年初，尝试利用深度学习应用于进行大规模MIMO信道估计。信号检测的研究主要侧重于大规模MIMO系统线性检测算法ZF，MMSE，低复杂度的线性迭代算法Gauss-seidel以及SOR超松弛迭代方法，以及利用深度学习的MIMO检测算法的对比与仿真，并进一步研究了低分辨率模数转换器(ADC)条件下对Gauss-Seidel迭代检测方法的影响，只用很少的迭代就可以实现和MMSE很接近的性能，尤其是当基站端天线数的增加时。此外，非正交多址(NOMA)与大规模MIMO技术结合，可进一步提高频谱效率，我们的研究也兼顾了NOMA技术。前期的实验结果及结论对未来的继续研究具有重要的指导意义。