宽带毫米波大规模MIMO系统中低复杂度波束域信道估计

针对宽带毫米波大规模MIMO系统信道估计精度低及实现复杂度较高的问题,在传统支撑检测方案的基础上提出一种基于Gauss-Seidel方法的串行支撑检测(GS-SSD)方案。该方案不使用共同支撑假设,参考串行干扰删除,将整体信道估计问题分解为一系列子问题,每个子问题仅考虑一个信道成分。同时,利用Gauss-Seidel方法近似高复杂度的矩阵求逆。仿真结果表明,相比于基于串行支撑检测(SSD)的方案,GS-SSD方案在将求逆复乘数降低一个数量级的同时可以取得接近SSD方案的信道估计性能。

基于两步噪声学习网络的波束域毫米波大规模MIMO信道估计

针对波束域毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,构建了一种新型两步噪声学习网络(Two-step Noise Learning Network,TNLNet)。基本原理是在接收信号反复经过卷积层和池化层提取噪声特征的基础上,利用波束域毫米波大规模MIMO信道矩阵稀疏性所引起的相邻元素相近的特点,采用下采样将信道矩阵重构成4个子矩阵,提高训练测试效率。该算法具有以比全卷积去噪近似消息传递(Fully Convolutional Denoising Approximate Message Passing,FCDAMP)算法和学习去噪的近似消息传递(Learned Denoising-based Approximate Message Passing,LDAMP)算法更低的复杂度,取得了比最小二乘算法、最小均方误差算法、FCDAMP和LDAMP更优的归一化均方误差(Normalized Mean Squared Error,NMSE)性能;与快速灵活去噪卷积神经网络(Fast and Flexible Denoising convolutional neural Network,FFDNet)相比虽然复杂度略高,但具有更优的NMSE性能,且在单一训练模型中获得了比FFDNet更宽的信噪比适用范围,增强了实用性。

基于优化BM3D的毫米波大规模MIMO信道估计

针对毫米波大规模多入多出系统在射频链路数量有限时,波束域信道估计是一个有挑战性的问题,提出一种基于优化BM3D的信道估计方案。利用基于三维透镜的多入多出系统信道矩阵可被视为二维自然图像的结构特性,将图像重构技术融入信道估计。BM3D是目前最精确的图像去噪算法之一,通过块匹配实现分组,利用三维变换域的收缩完成协同滤波。考虑信道的稀疏特性和路径的聚类特性,对BM3D算法进一步优化以提高性能。仿真结果表明,提出的优化BM3D方案在所有考虑的信噪比区域均能取得令人满意的信道估计精度。