大规模MIMO-OFDM信道估计方法研究文献综述

1. 文献综述（或调研报告）：

无线通信系统的性能主要受到无线信道的制约。在无线电波传播的过程中，无线电波会受到收发设备所处的环境中物体的反射、衍射、绕射和散射，这就导致了无线信道的一个特有的特征，即经过无线信道传播的信号，其幅值会发生衰落。信号的衰落分为大尺度衰落和小尺度衰落。其中，大尺度衰落包括与传播距离有关的路径损耗和大障碍物引起的阴影衰落，小尺度衰落是多径信号叠加和移动台移动引起的信号起伏变化^[1]。

在应对信号的衰落方面，MIMO技术是一个有效的技术方案。大规模MIMO技术在基站使用大量天线，充分利用了空间资源，在不增加频谱资源和天线发射功率的情况下，可以成倍的提高系统信道容量^[2~4]。但是对于频率选择性衰落，MIMO系统依然是无能为力。解决频率选择性衰落的方案有均衡技术和OFDM技术。但均衡器的复杂度随着信道相干时间的增加而增加。而OFDM技术不会受限于此，并且实现方法简单。OFDM技术通过IDFT运算，将频率选择性信道转为多个平坦衰落信道，可以有效消除符号间干扰^[1]。大规模MIMO-OFDM技术将两种技术结合，充分地发挥了两种技术的优点，目前成为5G系统的关键技术之一。

实际大规模MIMO-OFDM系统中常规信道估计方法为导频辅助的信道估计方法，即：发送端在选定的时频资源上发送已知信号，称为导频信号，接收端利用接收到的导频信号，估计出信道参数^[1]。根据时分复用（TDD）系统信道的互易性定理，基站利用接收到的上行链路的导频信号就可以得到下行链路的信道状态信息（CSI），并且节约频谱资源，因此大规模MIMO系统多采用TDD模式。在TDD模式下，大规模MIMO传输包括以下几个阶段：导频调度的统计状态信息捕获、信道估计的上行链路训练、上行链路数据传输和下行链路数据传输^[5]。

一般假设信道是广义平稳的，因此可以在基站获得信道协方差矩阵，即信道分布信息（CDI）。大规模MIMO信道协方差矩阵的估计是一个相当具有挑战性和资源消耗的问题。但是由于信道协方差矩阵的变化频率远小于瞬时CSI，而且信道协方差矩阵在较宽的频率间隔内保持不变。因此，将有足够的时频资源来估计信道协方差矩阵，并且在实际应用中可以保证估计精度^[5]。所以在后面分析时可以假设CDI已知。

为了实现多用户信道估计，需要根据CDI进行导频调度。传统的正交导频调度可以消除同一小区中的导频干扰，但是没有考虑导频开销问题。随着大规模MIMO天线数量以及用户数量的增加，导频资源存在瓶颈，这被认为是大规模MIMO-OFDM中吞吐量的限制因素之一^[7]。为了降低导频开销，文献中提出了一些应用于大规模MIMO传输的导频调度算法，如窄带信号频率平坦性衰减信道下的导频复用（PR）^[5]，和宽带信号频率选择性衰减信道下的可调相移导频（APSP）^[7]。

获取信道先验信息CDI并且实现多用户导频调度后，就可以进行上行链路训练，即根据接收到的多用户导频序列进行信道估计。常见的估计方法有最小二乘法（LS）估计和最小均方误差（MMSE）估计。LS估计不需要知道先验信息，估计方法简单，但是性能不佳；MMSE估计可以保证均方误差最小，但是需要知道信道自相关矩阵这一先验信息，而且存在求逆运算，计算量较大^[8~9]。为了实现高性能的信道估计，常考虑MMSE算法。

MMSE算法中的矩阵求逆需要大量的运算时间，考虑到时间成本，需要进一步探索低复杂度高效的信道估计方法。可以考虑的算法有消息传递算法和共轭梯度法。消息传递算法是一种在图形模型上运行的算法，广泛应用于统计信号处理问题，可以应用于稀疏贝叶斯学习模型^[12]。共轭梯度法是一种经典的优化算法，用于解决线性方程问题^[9]，而MMSE中的求逆运算可以转化为线性方程问题，因此可以运用共轭梯度法降低计算复杂度。

为了检验信道估计性能，可以采用信道估计均方误差（MSE-CE）作为指标。但是对导频复用或者可调相移导频调度来说，由于存在部分导频干扰，MSE-CE性能会低于正交导频。导频复用下信道估计虽然误差高于正交导频，但是可以在有限的时间内估计更多的用户的信道。在移动场景下，由于存在着信道信息过时问题，有限的时间内估计出来的信道虽然有误差，但是没有信道过时影响严重。通过比较导频复用和正交导频信道估计下的鲁棒预编码和速率，可以验证导频复用对系统性能的提升^[10]。

参考文献：

1. David Tse, Pramod Viswanath, Fundamentals of Wireless Communication. Cambridge University Press, 2005: 10-111
2. L. Lu, G. Y. Li, A. L. Swindlehurst, A. Ashikhmin, and R. Zhang, ”An overview of massive MIMO: Benefits and challenges”, IEEE J. Sel. Topics Signal Process., vol. 8, no. 5, pp. 742–758, 2014.
3. A. Goldsmith, S. A. Jafar, N. Jindal, and S. Vishwanath, “Capacity limits of MIMO channels”, IEEE J. Sel. Areas Commun., vol. 21, no. 5, pp. 684–702, 2003.
4. T. L. Marzetta, E. G. Larsson, H. Yang, and H. Q. Ngo, Fundamentals of Massive MIMO. Cambridge University Press, 2016.
5. Li You, Xiqi Gao, Xiang-Gen Xia, Ni Ma, Yan Peng, “Pilot reuse for massive MIMO transmission over spatially correlated Rayleigh fading channels”, IEEE Trans. Wireless Communications, vol. 14, no. 6, pp. 3352-3366, 2015.
6. S. F. Cotter, B. D. Rao, Kjersti Engan and K. Kreutz-Delgado, 'Sparse solutions to linear inverse problems with multiple measurement vectors,' in IEEE Transactions on Signal Processing, vol. 53, no. 7, pp. 2477-2488, July 2005.
7. Li You, Xiqi Gao, A. Lee Swindlehurst, Wen Zhong, “Channel acquisition for massive MIMO-OFDM with adjustable phase shift pilots”, IEEE Trans. Signal Processing, vol. 64, no. 6, pp. 1461-1476, 2016.
8. S.-I. Amari, Information Geometry and Its Applications. Tokyo, Japan: Springer, 2016.
9. P.-A. Absil, R. Mahony, and R. Sepulchre, Optimization Algorithms on Matrix Manifolds. Princeton, NJ, USA: Princeton Univ. Press, 2009.
10. An-An Lu, Xiqi Gao, Wen Zhong, Chengshan Xiao, and Xin Meng, ”Robust transmission for massive MIMO downlink with imperfect CSI”, IEEE Trans. Communications, vol. 67, no. 8, pp. 5362--5376, 2019.
11. An-An Lu, Xiqi Gao, and Chengshan Xiao, ”Free deterministic equivalents for the analysis of MIMO multiple access channel”, IEEE Trans. Information Theory, vol. 62, no. 8, pp. 4604-4629, 2016.
12. Zhang D , Song X , Wang W , et al. “Unifying Message Passing Algorithms Under the Framework of Constrained Bethe Free Energy Minimization.” 2017.