羅 皓，于秀蘭，張祖凡，甘臣權(quán)

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

0 引 言

至今為止，蜂窩通信一直受6 GHz頻段限制。雖然微波頻段具備較好的傳輸特性，并在現(xiàn)階段取得了顯著的傳輸效果，但1～2 GHz的頻帶帶寬不足以支持下一代移動通信技術(shù)。由香農(nóng)定理可知，增加傳輸帶寬可以增大信道容量，開發(fā)新頻段無疑是最有效的辦法之一。30～300 GHz的毫米波(Millimeter Wave,mmWave)提供遠(yuǎn)超微波的傳輸頻段，擁有足以支撐起下一代移動通信的帶寬，能提供更高的傳輸速率和更大的吞吐量。如今，5G毫米波技術(shù)逐漸成熟，但仍存在技術(shù)問題待解決和優(yōu)化。由于毫米波極易受環(huán)境影響且存在嚴(yán)重的路徑損耗，技術(shù)上采用大規(guī)模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)波束成形技術(shù)，對傳輸信號進(jìn)行預(yù)編碼，彌補(bǔ)功率損耗。傳統(tǒng)預(yù)編碼技術(shù)包括全數(shù)字基帶預(yù)編碼和全模擬預(yù)編碼調(diào)制技術(shù)。其中，全數(shù)字預(yù)編碼要求擁有與天線數(shù)目相同的無線射頻(Radio Frequency,RF)鏈，在大規(guī)模MIMO毫米波系統(tǒng)中會產(chǎn)生難以承受的硬件成本；模擬采用相位控制，雖然成本低但效果遠(yuǎn)低于前者，不適用于毫米波。研究表明，混合預(yù)編碼(模擬-數(shù)字混合波束成形器)可以較好地結(jié)合前兩者優(yōu)點(diǎn)[1-2]，以更少的RF獲得與全數(shù)字預(yù)編碼器相似的性能。在混合預(yù)編碼器中，擁有準(zhǔn)確的信道狀態(tài)信息(Channel State Information,CSI)和波達(dá)角非常重要。CSI是連接收發(fā)兩端的重要橋梁，只有精確CSI條件下，才能夠利用大規(guī)模MIMO多天線優(yōu)勢提供更多自由度，從而提升信道容量[3]。

CSI估計(jì)通常分為盲估計(jì)、基于導(dǎo)頻估計(jì)和半盲估計(jì)三類。盲估計(jì)利用收發(fā)信號的二階統(tǒng)計(jì)特性進(jìn)行信道估計(jì)，在實(shí)際中往往存在過高的復(fù)雜度；基于導(dǎo)頻的估計(jì)方法通過發(fā)送正交導(dǎo)頻估計(jì)CSI，復(fù)雜度較低且實(shí)時(shí)性強(qiáng)；半盲估計(jì)是前兩者折中，結(jié)合信號二階統(tǒng)計(jì)特性和傳輸導(dǎo)頻精確估計(jì)CSI。然而在大規(guī)模MIMO毫米波通信中，隨著大規(guī)模MIMO天線維度增加，獲取精確統(tǒng)計(jì)信息的難度使盲估計(jì)方法受到質(zhì)疑。因此，需要進(jìn)一步研究不依賴信道統(tǒng)計(jì)信息的估計(jì)算法?；趯?dǎo)頻信道的估計(jì)算法需要發(fā)射端發(fā)射訓(xùn)練導(dǎo)頻，然而需要導(dǎo)頻數(shù)目與天線數(shù)成正比，并且復(fù)用的導(dǎo)頻序列會導(dǎo)致導(dǎo)頻污染。另一方面，傳統(tǒng)的CSI估計(jì)算法，例如，最小二乘法(Least Squares,LS)和最小均方誤差(Minimum Mean Square Error,MMSE)算法不符合大規(guī)模MIMO系統(tǒng)，因此非常有必要研究新型的CSI估計(jì)算法?？傊撩撞ㄅc大規(guī)模MIMO技術(shù)互補(bǔ)帶來的巨大優(yōu)勢成為下一代移動通信研究熱點(diǎn)，信道估計(jì)是技術(shù)成熟面臨的重大挑戰(zhàn)，具有十分重要的學(xué)術(shù)研究價(jià)值。

1 信道估計(jì)研究現(xiàn)狀

1.1 基于壓縮感知的信道估計(jì)

2006年，Donoho等人[4]提出壓縮感知(Compressive Sensing,CS)概念框架，并用數(shù)學(xué)模型為理論提供支撐。壓縮感知理論突破了奈奎斯特采樣定理對信號維度的限制，避免稀疏信號在奈奎斯特采樣時(shí)會產(chǎn)生的大量冗余信息，并緩解硬件設(shè)備和算法負(fù)擔(dān)。

壓縮感知理論主要包括稀疏變換、稀疏測量和重構(gòu)算法。首先根據(jù)原始信號選擇合適的稀疏域，即在該稀疏基下信號表現(xiàn)為稀疏，經(jīng)過測量矩陣轉(zhuǎn)化為稀疏信號后，得到非零變換系數(shù)較少的矩陣。測量矩陣需要滿足非相干性和限制等容性，對信號壓縮的同時(shí)保留原始信號攜帶的關(guān)鍵信息，為精確重構(gòu)信號提供基礎(chǔ)。因此，如何選擇稀疏域和測量矩陣是毫米波信道估計(jì)的關(guān)鍵。根據(jù)壓縮感知理論，在衍生虛擬信道模型近似實(shí)際信道[5]條件下，以導(dǎo)頻接收作為測量值，將信道估計(jì)等價(jià)為稀疏信號恢復(fù)問題。然而，利用導(dǎo)頻測量信號重構(gòu)信號信道是一個(gè)無法直接求解的欠定和非凸問題，存在計(jì)算困難和穩(wěn)定性差等挑戰(zhàn)。通常解決非凸問題是將其轉(zhuǎn)化為凸問題，近似得到計(jì)算值?；粉?Basic Pursuit,BP)算法是凸優(yōu)化中最具有代表性的，通過線性規(guī)劃的思想，逼近真實(shí)值且性能穩(wěn)定，但復(fù)雜度太高，極難運(yùn)用在采樣點(diǎn)多的場景下。為解決精準(zhǔn)重構(gòu)和BP算法復(fù)雜度高等問題，基于迭代和最小二乘估計(jì)的貪婪算法被提出，包括匹配追蹤(Matching Pursuit,MP)算法和正交匹配追蹤(Orthogonal Matching Pursuit,OMP)算法等。另外，依靠稀疏信號先驗(yàn)分布的貝葉斯重構(gòu)算法也得到大量研究，對重構(gòu)不確定信號模型的信道矩陣十分有效[6]。

如今，基于CS的毫米波信道估計(jì)已得到大量研究和發(fā)展，接下來從解決硬件和環(huán)境影響、折中精度和復(fù)雜度兩個(gè)方面介紹目前研究現(xiàn)狀。

(1)解決傳輸環(huán)境影響

實(shí)際中，大規(guī)模MIMO毫米波無線傳輸系統(tǒng)往往受環(huán)境和硬件缺陷影響，會出現(xiàn)相位偏差、功率丟失、硬件損耗等引起的失真問題，需要面向?qū)嶋H情況解決研究信道估計(jì)。對于mmWave大規(guī)模MIMO頻帶選擇性衰落信道，Gao等人[7]研究出一種基于分布式壓縮(Distributed Compressive Sensing,DCS)的信道估計(jì)方案，通過分布式網(wǎng)絡(luò)匹配追蹤和自適應(yīng)測量，得到較好的信道估計(jì)結(jié)果并成功解決角度功率泄露的問題。作者采用內(nèi)外循環(huán)迭代的方式，首先在外循環(huán)中估計(jì)有效路徑的導(dǎo)向矢量和增益，在內(nèi)循環(huán)中采用網(wǎng)格匹追蹤配策略，并提出構(gòu)造自適應(yīng)完備測量矩陣解決泄露問題。同樣，為解決到達(dá)角/發(fā)射角(Angle of Arrival/Angle of Departure,AOA/AOD)造成的功率泄露問題，文獻(xiàn)[8]基于全維透鏡陣列的mmWave定制全維透鏡專用冗余字典，這是全維透鏡陣列冗余字典設(shè)計(jì)的首次嘗試。另外，文中考慮到傳統(tǒng)CS算法不適用于少量或有限RF鏈的天線切換網(wǎng)絡(luò)，設(shè)計(jì)出基于測量矩陣互相干性最小準(zhǔn)則的專用基帶導(dǎo)頻序列。最后采用傳統(tǒng)的OMP算法恢復(fù)稀疏信號，得到優(yōu)于雙交叉檢查算法[9]和LS算法的估計(jì)性能。考慮到傳輸過程中硬件缺陷會導(dǎo)致信號失真，文獻(xiàn)[10]在正交頻分多路復(fù)用技術(shù)(Orthogonal Frequency Division Multiplexing,OFDM)大規(guī)模MIMO毫米波系統(tǒng)中提出硬件損耗下信道估計(jì)算法。文中基于DCS，利用不同子載波頻域稀疏性改良現(xiàn)有估計(jì)方法，并提出用于壓縮后的稀疏信道進(jìn)行恢復(fù)的變分貝葉斯算法，降低導(dǎo)頻開銷的同時(shí)極大提高了信道估計(jì)的精度。該算法采用身份拒絕策略設(shè)計(jì)分層信道模型，去除由于硬件缺陷帶來的隨機(jī)離群值，提高了魯棒性。為解決角域中離散角點(diǎn)產(chǎn)生的離網(wǎng)效應(yīng)，文獻(xiàn)[11]通過參數(shù)攝動和OMP，提出了一種用于精確估計(jì)離網(wǎng)參數(shù)和權(quán)重的算法。算法在連續(xù)的AOA/AOD空間運(yùn)行，避免了網(wǎng)格損失，能夠有效的減小重構(gòu)誤差。從毫米波硬件帶來導(dǎo)頻信號相位畸變問題出發(fā)，文獻(xiàn)[12]利用毫米波部分相干性，即來自不同鏈路同一時(shí)間幀具有相同相干性，提出一種新的網(wǎng)格局部相干壓縮感知恢復(fù)算法(Partially Coherent Compressive Phase Retrieval,PC-CPR)和離網(wǎng)型PC-CPR。算法先用部分相干性初始估計(jì)，再通過迭代求精，將估計(jì)的每幀共享相位偏移代替以往研究中所有導(dǎo)頻的相位，在導(dǎo)頻受相位影響情況下得到了較好的估計(jì)結(jié)果，擁有較強(qiáng)魯棒性。文章研究表明，當(dāng)RF數(shù)量足夠大時(shí)，部分相干性趨近于全相干性，但在RF小的特殊情況下會受到影響。

(2)提高精度和優(yōu)化復(fù)雜度

CSI是否完整和精確直接影響無線傳輸系統(tǒng)性能，獲得精確估計(jì)值一直是CSI估計(jì)的重要目標(biāo)。例如，文獻(xiàn)[13]通過改進(jìn)稀疏度自適應(yīng)匹配追蹤(Sparsity Adaptive Matching Pursuit,SAMP)算法，在OFDM單用戶場景下，將信噪比大小考慮到稀疏信道支撐集中，通過優(yōu)化SAMP迭代步長提高稀疏信道估計(jì)的精確度。在文獻(xiàn)[14]中，作者提出基于多測量矢量模型的稀疏貝葉斯學(xué)習(xí)信道估計(jì)算法，采用不需要信道稀疏度的貝葉斯學(xué)習(xí)算法，避免了不合適稀疏度帶來的性能不穩(wěn)定。文章首先在SV模型的基礎(chǔ)上構(gòu)建多測量矢量模型，然后基于貝葉斯推導(dǎo)出信道元素的后驗(yàn)概率分布，最后使用最大期望算法(Expectation-maximization algorithm,EM)計(jì)算后驗(yàn)概率中的超參數(shù)，得到明顯精度優(yōu)勢的估計(jì)結(jié)果。為進(jìn)一步提高信道估計(jì)的準(zhǔn)確性，文獻(xiàn)[15]推出透鏡天線陣列信道響應(yīng)和多路徑稀疏性特性的聯(lián)合公式，用EM算法計(jì)算公式參數(shù)和信道信息。該策略得到了較高的恢復(fù)精度，但引入了其他信道參數(shù)，增加了系統(tǒng)復(fù)雜度，在簡化參數(shù)估計(jì)后，復(fù)雜度仍然需要優(yōu)化。在文獻(xiàn)[16]中，作者提出一種基于貝葉斯匹配追蹤(Bayesian Matching Pursuit,BMP)的稀疏信道估計(jì)算法。算法首先設(shè)置稀疏模式，將稀疏信道非零元素假設(shè)為特殊的高斯分布，得到統(tǒng)計(jì)假設(shè)后選取最高后后驗(yàn)概率的稀疏模式估計(jì)信道，估計(jì)結(jié)果優(yōu)于基于OMP和稀疏貝葉斯的壓縮感知算法。復(fù)雜度是大規(guī)模MIMO信道估計(jì)的主要問題，高復(fù)雜度無疑會使硬件負(fù)載過大，處理所耗費(fèi)的時(shí)間更多，影響無線傳輸性能?；贑S的毫米波信道估計(jì)雖然利用了信道的稀疏性，但仍需進(jìn)一步降低復(fù)雜。研究表明，大規(guī)模MIMO毫米波信道不僅在頻域有稀疏性，在時(shí)域方面也表現(xiàn)稀疏。文獻(xiàn)[17]聯(lián)合時(shí)域和角域稀疏性設(shè)計(jì)了特殊的訓(xùn)練模式捕獲信道抽頭，采用能量檢測器識別有效信道抽頭，再利用有效抽頭的角稀疏估計(jì)信道，有效降低了估計(jì)計(jì)算復(fù)雜度。該文就低估稀疏性問題提出了一種優(yōu)于專家經(jīng)驗(yàn)的選擇策略，充分利用稀疏性降低估計(jì)復(fù)雜度。此外，文獻(xiàn)[18-19]分別基于貝葉斯CS和動態(tài)閾值解決毫米波MIMO信道估計(jì)問題，得到了優(yōu)于傳統(tǒng)算法的性能結(jié)果。

大規(guī)模毫米波信道稀疏性為基于CS的信道估計(jì)算法提供可靠條件，是未來毫米波信道估計(jì)最重要研究內(nèi)容之一。

1.2 基于信道參數(shù)的信道估計(jì)

歷史研究結(jié)果表明，估計(jì)變量的減少會降低誤差[20]。物理模型下，每個(gè)信道路徑信息可由角度和增益組成，將CSI估計(jì)轉(zhuǎn)化為波達(dá)角(Direction of Arrival,DOA)、復(fù)增益等矢量估計(jì)是一種更為直接高效的方法。信道參數(shù)估計(jì)可以避免直接處理大規(guī)模MIMO信道矩陣，能有效提高信道估計(jì)性能。

信道參數(shù)估計(jì)中，DOA估計(jì)至關(guān)重要。傳統(tǒng)的DOA估計(jì)方法主要包括多重信號分類(Multiple Signal Classification,MUSIC)和旋轉(zhuǎn)不變子空間(Estimation of Signal Parameters via Rotation Invariant Technique，ESPRIT)算法。MUSIC算法將信號陣列的協(xié)方差矩陣進(jìn)行特征分解，分解空間劃分為信號子空間和噪聲子空間，再利用兩個(gè)空間正交性估計(jì)接收信號方向參數(shù)。但MUSIC算法運(yùn)用場景苛刻，需要同時(shí)滿足以下條件：陣列為線性陣列，且陣列間距離不超過最小波長的1/2；信道傳輸噪聲為零均值加性高斯白噪聲；入射信號必須是互不相干信號，信源數(shù)目小于陣列數(shù)目。ESPRIT是利用接收數(shù)據(jù)協(xié)方差矩陣分解信號子空間的旋轉(zhuǎn)不變性，通常運(yùn)用在雷達(dá)角度估計(jì)中。由于大規(guī)模MIMO毫米波混合預(yù)編碼結(jié)構(gòu)與傳統(tǒng)MIMO和雷達(dá)結(jié)構(gòu)完全不同，前兩種算法不能直接運(yùn)用，需要針對大規(guī)模MIMO毫米波傳播系統(tǒng)對算法擴(kuò)展。文獻(xiàn)[21-22]分別設(shè)計(jì)了導(dǎo)頻傳輸方案，并提出基于ESPRIT和DOA的信道估計(jì)算法?？紤]毫米波信道角域稀疏性，文獻(xiàn)[23]在二維離散變換后，利用離散傅里葉變換后識別的信道峰值初步估計(jì)DOA(仰角和方位角)，再利用旋轉(zhuǎn)不變法，通過設(shè)定不同搜索導(dǎo)向范圍，精確DOA范圍值，最后采用LS方法細(xì)化估計(jì)信道增益，計(jì)算出信道矩陣。

信道參數(shù)也可以通過迭代方法估計(jì)得到。信道測量方面，通常基于射線追蹤模型得到大量實(shí)際接收值，從而估計(jì)信道參數(shù)和CSI。例如，文獻(xiàn)[24-25]基于最大似然的空間交替廣義期望最大化(Space-Alternating Generalized EM,SAGE)算法在多頻段下估計(jì)視線(Line of Sight,LOS)和非視線(Non-Line of Sight,NLOS)室內(nèi)場景的信道參數(shù)，包括多路徑損耗的延遲、角參數(shù)、增幅等。作者通過信道參數(shù)估計(jì)得到CSI，提出符合測量結(jié)果的信道模型。其中，SAGE是EM的擴(kuò)展，將每條路徑看作相互獨(dú)立的傳輸信道，通過對參數(shù)子集分割迭代搜索最大化似然函數(shù)的參數(shù)。在隨機(jī)信道模型基礎(chǔ)下，通常采用SV模型，將CSI簡化后轉(zhuǎn)化為信道參數(shù)，通過采用迭代等估計(jì)信道參數(shù)。文獻(xiàn)[26]提出一種基于迭代指標(biāo)檢測的IDCEA(Index Detection Based Channel Estimation)信道估計(jì)算法，從角域出發(fā)估計(jì)出分離不同強(qiáng)度的信道分量，再依次迭代估計(jì)DOA，并采用LS估計(jì)每個(gè)路徑信號的信道增益。作者將估計(jì)得到的DOA和增益運(yùn)用到混合預(yù)編碼，取得了有效的結(jié)果。另外，文獻(xiàn)[27-28]提出兩階段精確信道估計(jì)方案，將CS與信道參數(shù)估計(jì)結(jié)合得到精確的CSI?；贑S理論初步重構(gòu)CSI后，采用最大化似然函數(shù)迭代更新信道參數(shù)(包括AOA、AOD和多徑振幅)，精確已有的信道估計(jì)，算法明顯提高了估計(jì)精度。在快速變化的車載蜂窩系統(tǒng)中，文獻(xiàn)[29]基于毫米波混合預(yù)編碼和SV模型提出一種離散傅里葉的噪聲消除信道估計(jì)算法。算法首先采用迭代消除初步估計(jì)路徑的信道參數(shù)，通過能量分析，設(shè)置決策閾值提高信道參數(shù)估計(jì)精度，最后通過參數(shù)重構(gòu)信道矩陣。在多路徑和時(shí)變信道中，該算法能夠降低噪聲影響，具有較好的信道估計(jì)性能。但為了保證算法的有效性，判斷有效路徑采用的閾值設(shè)定過大，會引起不必要的復(fù)雜計(jì)算。為降低信道參數(shù)估計(jì)的巨大開銷，文獻(xiàn)[30-31]分別提出了基于二階子空間和基于低秩張量的信道參數(shù)估計(jì)算法。二階子空間算法采用兩階段順序估計(jì)列序列和行序列，第一階段通過采樣信道矩陣部分列得到信道列子空間，第二階段利用上一階段的列子空間訓(xùn)練估計(jì)行子空間，減少了信道矩陣的調(diào)用次數(shù)。文獻(xiàn)[31]中，作者將OFDM信號訓(xùn)練擬合為帶有信道參數(shù)的三階張量，為避免參數(shù)初始化和繁瑣的迭代過程，提出了基于結(jié)構(gòu)化分解的張量建模和信道參數(shù)恢復(fù)算法。仿真結(jié)果表明，兩種算法在有效估計(jì)信道參數(shù)的同時(shí)極大地降低了估計(jì)復(fù)雜度。

信道參數(shù)是CSI具體表現(xiàn)，以往研究表明信道參數(shù)估計(jì)是為了得到或進(jìn)一步精確CSI。

1.3 深度學(xué)習(xí)信道估計(jì)

傳統(tǒng)方法中，無論是壓縮感知還是參數(shù)估計(jì)在獲得精確CSI過程中都避免不了高維矩陣分解和迭代計(jì)算，很難在性能與復(fù)雜度間折中。自Hinton[32]指出多隱層神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征學(xué)習(xí)以來，深度學(xué)習(xí)逐漸成為學(xué)術(shù)界關(guān)注點(diǎn)。深度學(xué)習(xí)通過大量樣本訓(xùn)練，能夠有效提取數(shù)據(jù)隱藏特征。隨著人工智能的發(fā)展，深度學(xué)習(xí)在通信領(lǐng)域已經(jīng)得到廣泛研究，在調(diào)制識別、信號檢測、信道估計(jì)、CSI反饋等關(guān)鍵問題中也得到運(yùn)用。深度學(xué)習(xí)有多種結(jié)構(gòu)，常用在信道估計(jì)中有深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN Convolutional Neural Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。近年來，研究員嘗試運(yùn)用DNN和CNN解決毫米波信道估計(jì)問題，并取得了部分成果。

(1)信道矩陣的二維圖像處理

在圖像處理領(lǐng)域中，深度學(xué)習(xí)已經(jīng)得到廣泛運(yùn)用，而大規(guī)模MIMO毫米波信道矩陣在波束空間中是二維的，可看作2D圖像進(jìn)行處理。Soltani等人[33]將導(dǎo)頻信道時(shí)頻網(wǎng)格的實(shí)部和虛部分別看作兩個(gè)2D圖像矩陣，利用圖像處理技術(shù)和深度學(xué)習(xí)方法，基于超分辨率(Super-Resolution,SR)和圖像修復(fù)(Image Restoration,IR)算法提出SRCNN與IRCNN融合卷積神經(jīng)網(wǎng)絡(luò)的信道估計(jì)算法，結(jié)構(gòu)如圖1所示。利用插值法得到低分辨率初始信道矩陣，通過SRCNN神經(jīng)網(wǎng)絡(luò)提高矩陣分辨率，最后將IRCNN網(wǎng)絡(luò)作用于去噪，提高信道矩陣精度。低信噪比和高信噪比神經(jīng)網(wǎng)絡(luò)框架分別在12 dB和22 dB條件下訓(xùn)練得到，兩個(gè)模型分別在低和高信噪比區(qū)域性能優(yōu)于MMSE估計(jì)。但提出的深度學(xué)習(xí)框架受限于矩陣恢復(fù)最優(yōu)權(quán)值輸出受信噪比影響和信道環(huán)境變化，需要重新訓(xùn)練框架適應(yīng)新模型和不同信噪比。

圖1 SRCNN-IRCNN信道估計(jì)模型[33]

文獻(xiàn)[34-35]在融合圖像去噪技術(shù)基礎(chǔ)上，提出新的大規(guī)模MIMO毫米波CSI估計(jì)算法。文獻(xiàn)[34]提出一種快速靈活的卷積神經(jīng)網(wǎng)絡(luò)，如圖2所示。文中將信道矩陣看作2D圖像，并將矩陣分塊成4個(gè)子矩陣，用殘差去噪方式先估計(jì)噪聲值再得到CSI。網(wǎng)絡(luò)通過輸入不同水平噪聲體現(xiàn)對不同噪聲處理的靈活性，但是不同噪聲會使神經(jīng)網(wǎng)絡(luò)重新進(jìn)行一次訓(xùn)練。后續(xù)作者對算法進(jìn)行改良，利用CBDNet網(wǎng)絡(luò)挖掘信道稀疏性和恢復(fù)信道，提出用混合神經(jīng)網(wǎng)絡(luò)、連續(xù)非線性輸出和損失函數(shù)擴(kuò)大信噪比范圍并加速收斂[35]。

圖2 快速卷積神經(jīng)網(wǎng)絡(luò)信道估計(jì)模型[34]

在基于透鏡天線陣列的大規(guī)模MIMO毫米波傳輸模型下，文獻(xiàn)[36]針對傳統(tǒng)LDAMP算法進(jìn)行改進(jìn)，將線下訓(xùn)練好用于去噪的DnCNN模型鑲嵌在LDAMP架構(gòu)中，每次迭代的信道矩陣都經(jīng)過一次去噪，從而更精確恢復(fù)信道矩陣。其中DnCNN模型結(jié)構(gòu)類似于圖2，通過估計(jì)出信道中的噪聲矩陣得到去噪信道矩陣。

(2)信道參數(shù)估計(jì)

文獻(xiàn)[37]基于射線追蹤模型，將DNN作為黑盒子代替整個(gè)大規(guī)模MIMO傳輸系統(tǒng)并估計(jì)DOA，避免大規(guī)模天線中繁瑣復(fù)雜的特征分解。針對不同的信道模型得到接收信號，并以接收信號與隨機(jī)產(chǎn)生的DOA作為訓(xùn)練集樣本，神經(jīng)網(wǎng)絡(luò)訓(xùn)練后輸入接收信號輸出DOA估計(jì)值，再用DNN框架提取信號有用特征，由相同神經(jīng)網(wǎng)絡(luò)模型估計(jì)復(fù)增益量，最后由復(fù)增益和角度得到信號估計(jì)值。然而文中將大規(guī)模MIMO系統(tǒng)完全看作一個(gè)黑盒子，在編碼、解碼和噪聲部分用深度學(xué)習(xí)框架代替，信號在信源到信宿傳播信道過程沒有得到具體實(shí)現(xiàn)。同樣，文獻(xiàn)[38]討論將信道估計(jì)轉(zhuǎn)為矢量估計(jì)，即DOA估計(jì)和復(fù)增益估計(jì)，可以獲得更好的性能，并將信道和由信道產(chǎn)生的接收信號作為訓(xùn)練樣本，線下訓(xùn)練DNN得到DOA和增益估計(jì)值，復(fù)用相同深度神經(jīng)網(wǎng)絡(luò)框架在低復(fù)雜度下得到了優(yōu)于傳統(tǒng)算法的性能。

(3)其他估計(jì)策略

為避免采用傳統(tǒng)方法附帶的高額計(jì)算復(fù)雜度，文獻(xiàn)[39]基于半盲估計(jì)提出兩階段神經(jīng)網(wǎng)絡(luò)訓(xùn)練信道估計(jì)法。首先設(shè)計(jì)DNN利用導(dǎo)頻信息初步估計(jì)CSI，將導(dǎo)頻信道矩陣作為信道估計(jì)第一次迭代值，輔助接收數(shù)據(jù)進(jìn)行信道估計(jì)，從而提高精確度。將信道估計(jì)分成兩個(gè)訓(xùn)練模塊，利用神經(jīng)網(wǎng)絡(luò)避免天線數(shù)對導(dǎo)頻長度的約束，這種方法可以提高最低信道傳輸容量和提升傳輸效率。CSI準(zhǔn)確性一直是估計(jì)的重要目標(biāo)，進(jìn)一步提高CSI精確度非常有必要。城市微街道非視線場景下，Dong等人[40]基于導(dǎo)頻訓(xùn)練，考慮兩個(gè)子載波聯(lián)合信道估計(jì)，利用空間和頻率相關(guān)性進(jìn)行精確信道估計(jì)。如圖3所示，由于相鄰子載波間頻率相關(guān)性提供額外信息，初步估計(jì)CSI后，將一組相鄰子載波的初始信道矩陣輸入到CNN，用神經(jīng)網(wǎng)絡(luò)深層特征提取優(yōu)勢精確估計(jì)CSI。CNN方案明顯優(yōu)于非理性MMSE估計(jì)，近似理想MMSE，且在系統(tǒng)假設(shè)下復(fù)雜度遠(yuǎn)低于理想MMSE。同樣是利用空間和頻率相關(guān)性，文獻(xiàn)[41]提出空間-頻率卷積神經(jīng)網(wǎng)絡(luò)(Spatial-Frequency CNN,SF-CNN)算法估計(jì)信道，與前者類似，對相鄰子載波初始信道矩陣進(jìn)行卷積。其后，作者提出空間-頻率-時(shí)間CNN(Spatial-Frequency-Temporal CNN,SFT-CNN)，將時(shí)間相關(guān)性融合到SF-CNN中，以減輕導(dǎo)頻開銷。具體地，在時(shí)變SV模型條件下，每4個(gè)連續(xù)相干區(qū)間認(rèn)為一個(gè)單元，第一個(gè)單元添加導(dǎo)頻信號，相干區(qū)間通過相關(guān)性估計(jì)后續(xù)無導(dǎo)頻信道。算法減少能導(dǎo)頻開銷，有效避免導(dǎo)頻污染。

圖3 頻率相關(guān)CNN聯(lián)合信道估計(jì)模型[40]

(4)基于深度學(xué)習(xí)的毫米波信道估計(jì)總結(jié)

深度學(xué)習(xí)在毫米波信道估計(jì)中僅處于初步探索階段，表1對基于深度學(xué)習(xí)的毫米波信道估計(jì)技術(shù)進(jìn)行了總結(jié)。

表1 基于深度學(xué)習(xí)的毫米波信道估計(jì)總結(jié)

1.4 毫米波信道估計(jì)總結(jié)

根據(jù)1.1～1.3節(jié)對相關(guān)文獻(xiàn)研究的分析，表2總結(jié)了基于壓縮感知的信道估計(jì)、基于參數(shù)估計(jì)的信道估計(jì)和基于深度學(xué)習(xí)的信道估計(jì)策略的優(yōu)缺點(diǎn)。

表2 毫米波信道估計(jì)方法總結(jié)

2 發(fā)展趨勢和展望

在毫米波通信系統(tǒng)中，隨著天線部署數(shù)量不斷增加，獲得精確信道狀態(tài)響應(yīng)信息也變得更加復(fù)雜和困難，傳統(tǒng)信道估計(jì)算法已不再適用，如何低復(fù)雜度地精確估計(jì)CSI是毫米波通信的研究熱點(diǎn)和難點(diǎn)。

毫米波信道特有的稀疏性為信道估計(jì)帶來了新希望，基于CS的稀疏信道估計(jì)成為毫米波信道估計(jì)研究熱點(diǎn)。但基于CS的毫米波信道估計(jì)仍處于理論研究階段，存在不少問題，包括對信道稀疏度判斷問題。目前信道稀疏度通常采用經(jīng)驗(yàn)假設(shè)，由于害怕稀疏度估計(jì)過低而導(dǎo)致信息丟失，往往會假設(shè)充裕的稀疏度。雖然這種方式可以降低估計(jì)風(fēng)險(xiǎn)，但增加了估計(jì)復(fù)雜度，如何準(zhǔn)確估計(jì)信道的稀疏度是CS估計(jì)算法中需要解決的問題之一。另外，大量信道估計(jì)研究基于角度稀疏，而忽略了時(shí)域稀疏性。文獻(xiàn)[17]初步嘗試將角域和時(shí)域的稀疏性結(jié)合，通過時(shí)域抽頭檢測有用信號，能夠在有效恢復(fù)CSI的同時(shí)下降低估計(jì)復(fù)雜度。但文中基于信噪比大于一的二元假設(shè)檢驗(yàn)識別有效信號，適用于能量較大的通信場景，容易忽略由于嚴(yán)重噪聲或多徑效應(yīng)產(chǎn)生的弱信號，從而導(dǎo)致信息丟失。因此，在雷達(dá)、非視距或距離相對較遠(yuǎn)的傳播條件下，有效識別弱信號抽頭是值得考慮的。采用CS算法是為了充分利用毫米波信道稀疏性降低大規(guī)模天線引起的高復(fù)雜度，但在稀疏信號重構(gòu)算法中都涉及到了大量內(nèi)積和矩陣求逆等運(yùn)算，如何降低復(fù)雜度依然是未來研究的關(guān)鍵問題。由于傳播環(huán)境存在聚類現(xiàn)象，毫米波MIMO信道可以近似為低秩信道，例如，文獻(xiàn)[42]嘗試?yán)梅切诺老∈杞Y(jié)構(gòu)能獲得更好的性能。不同于稀疏性，低秩結(jié)構(gòu)可用訓(xùn)練塊將真實(shí)信道矩陣變換為低秩矩陣，通過重構(gòu)低秩矩陣得到估計(jì)結(jié)果，也是未來發(fā)展趨勢之一。

基于深度學(xué)習(xí)的毫米波信道估計(jì)是一種新穎的估計(jì)算法，能夠有效避免傳統(tǒng)算法必需的統(tǒng)計(jì)信息、高維矩陣求逆和特征分解計(jì)算等，是未來信道估計(jì)研究熱點(diǎn)之一。深度學(xué)習(xí)通常利用大量輸入和標(biāo)簽對網(wǎng)絡(luò)框架進(jìn)行訓(xùn)練，得到合適的網(wǎng)絡(luò)模型。毫米波信道估計(jì)中，深度學(xué)習(xí)僅僅處于理論研究和起步階段。根據(jù)總結(jié)和分析，基于深度學(xué)習(xí)的毫米波信道估計(jì)可圍繞以下幾個(gè)方面進(jìn)行研究：

(1)環(huán)境變化引起網(wǎng)絡(luò)模型不適用。深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練中，輸入和標(biāo)簽往往通過特定的信道模型得到，且大多考慮單一信號傳輸模式。在不同信道環(huán)境條件下，獲得精確估計(jì)結(jié)果的網(wǎng)絡(luò)模型需要重新訓(xùn)練，每次訓(xùn)練所花費(fèi)的高額時(shí)間成本不滿足低時(shí)延通信要求。適應(yīng)多變環(huán)境和多信號的網(wǎng)絡(luò)模式是值得考慮的。

(2)輸入維度受天線數(shù)量變化影響。神經(jīng)網(wǎng)絡(luò)輸入主要包括接收信號、導(dǎo)頻信號和預(yù)估計(jì)的信道矩陣等。這些輸入值隨著天線數(shù)量增大維度會增加，在未來部署大量天線的系統(tǒng)中，應(yīng)當(dāng)考慮不受天線維度影響的信道估計(jì)算法。

(3)利用現(xiàn)有的先進(jìn)網(wǎng)絡(luò)模型和通信傳統(tǒng)算法提高估計(jì)精確度。目前，大部分信道估計(jì)模型基于DNN，但在深度學(xué)習(xí)領(lǐng)域已經(jīng)出現(xiàn)了許多優(yōu)秀模型，例如，雙向長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)和CNN的深度殘差網(wǎng)絡(luò)模型等。可考慮時(shí)域和頻域下載波的相關(guān)性，利用雙向RNN更好地提取前后關(guān)聯(lián)特征估計(jì)信道。另外，先進(jìn)行合理的預(yù)估計(jì)，再采用深度學(xué)習(xí)處理，也是未來可考慮的研究點(diǎn)。將通信傳統(tǒng)算法與深度學(xué)習(xí)進(jìn)行結(jié)合，即發(fā)揮神經(jīng)網(wǎng)絡(luò)去噪提和取特征等性能，提高信道估計(jì)精確度。

(4)信道參數(shù)估計(jì)和聯(lián)合估計(jì)問題。以往研究考慮信道參數(shù)估計(jì)，將整個(gè)信號傳輸系統(tǒng)看作一個(gè)黑匣子設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)框架，目前在實(shí)際中不適合，過于理論化。應(yīng)避免直接估計(jì)多矢量CSI而單獨(dú)估計(jì)特殊的信道參數(shù)，對信道建模、精確恢復(fù)信道和波束成形等操作帶來便利。此外，未來研究可考慮信道估計(jì)與信號檢測、信道估計(jì)和預(yù)編碼聯(lián)合處理。利用深度學(xué)習(xí)對整體模型的“學(xué)習(xí)”能力，將信號檢測或波束成形系統(tǒng)與CSI估計(jì)結(jié)合，避免單獨(dú)估計(jì)導(dǎo)致不必要的誤差。

(5)深度學(xué)習(xí)在壓縮感知領(lǐng)域也取得了顯著成果，并且基于深度學(xué)習(xí)的信號重構(gòu)能夠有效避免傳統(tǒng)算法的復(fù)雜計(jì)算。文獻(xiàn)[43]表明噪聲和衰落會影響深度學(xué)習(xí)重構(gòu)效果。優(yōu)化神經(jīng)網(wǎng)絡(luò)得到適合毫米波通信的重構(gòu)模型是研究方向之一。

毫米波在無線通信傳輸中會產(chǎn)生更多路徑損耗，受遮擋影響更嚴(yán)重，對大氣環(huán)境更敏感，傳統(tǒng)MIMO信道模型不能充分表征大規(guī)模MIMO毫米波空間稀疏和信號傳輸特性。現(xiàn)階段大量研究基于Saleh-Valenzuela(SV)幾何傳輸模型，并取得了一些成果。但SV模型對多徑信道影響因素表征并不充分，即使在小尺度特性條件下，信號衰落參數(shù)仍包括增幅、時(shí)延、角度和多普勒特頻移，因此，在更加實(shí)際模型中進(jìn)行CSI估計(jì)是一個(gè)需要解決的問題。另外，大量工作建立在均勻直線天線陣的基礎(chǔ)上，未來大規(guī)模MIMO毫米波天線部署方式有平面陣列、球形陣列和L陣列等，需要進(jìn)一步考慮基于其他天線部署方式的算法。

3 結(jié)束語

近年來，毫米波通信作為未來無線通信的關(guān)鍵技術(shù)，引起了國內(nèi)外廣泛關(guān)注。其中，信道估計(jì)是無線通信系統(tǒng)的關(guān)鍵問題，也是毫米波通信技術(shù)中極具挑戰(zhàn)的研究熱點(diǎn)和難點(diǎn)。本文重點(diǎn)介紹了常用毫米波信道估計(jì)方法，對國內(nèi)外毫米波信道估計(jì)現(xiàn)狀進(jìn)行了梳理，同時(shí)分析了毫米波信道估計(jì)面臨的挑戰(zhàn)和未來發(fā)展方向，可供相關(guān)領(lǐng)域研究人員參考。