基于深度學習的1-比特超大規模MIMO信道估計
2021年電子技術應用第8期
蒲旭敏1，2，吳 超1，2，楊小瓏1，2
1.重慶郵電大學 通信與信息工程學院，重慶400065；2.重慶郵電大學 移動通信技術重慶市重點實驗室，重慶400065
摘要： 超大規模多輸入多輸出(Multiple Input Multiple Output，MIMO)技術在未來的移動通信中具有巨大的潛力。然而，采用超大型的天線陣列會出現空間非平穩性信道特征，如果為基站的每根天線都配備一個高精度量化器，系統功耗將大幅度增加，從而阻礙超大規模MIMO系統的廣泛應用。因此，假設基站的每根天線都配備有一對1-比特模數轉換器(Analog-to-Digital Converters，ADC)，利用子陣列與用戶之間的映射關系來描述非平穩信道特征，借助深度神經網絡(Deep Neural Network，DNN)強大的泛化能力，設計一種新的生成式監督DNN模型，該模型可以使用合理數量的導頻進行訓練。仿真結果表明，所提出的網絡可以使用較少的導頻得到較好的估計性能，在性能與計算復雜度之間取得良好的平衡。
中圖分類號： TN92
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211341
中文引用格式： 蒲旭敏，吳超，楊小瓏. 基于深度學習的1-比特超大規模MIMO信道估計[J].電子技術應用，2021，47(8)：87-90，96.
英文引用格式： Pu Xumin，Wu Chao，Yang Xiaolong. Channel estimation for 1-bit extremely massive MIMO via deep learning[J]. Application of Electronic Technique，2021，47(8)：87-90，96.
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211341
中文引用格式： 蒲旭敏，吳超，楊小瓏. 基于深度學習的1-比特超大規模MIMO信道估計[J].電子技術應用，2021，47(8)：87-90，96.
英文引用格式： Pu Xumin，Wu Chao，Yang Xiaolong. Channel estimation for 1-bit extremely massive MIMO via deep learning[J]. Application of Electronic Technique，2021，47(8)：87-90，96.
Channel estimation for 1-bit extremely massive MIMO via deep learning
Pu Xumin1，2，Wu Chao1，2，Yang Xiaolong1，2
1.School of Communication and Information Engineering，Chongqing University of Posts and Telecommunications， Chongqing 400065，China； 2.Chongqing Key Laboratory of Mobile Communications Technology，Chongqing University of Posts and Telecommunications， Chongqing 400065，China
Abstract： Extremely massive multiple input multiple output(MIMO) has shown considerable potential in future mobile communications. However, the use of extremely massive aperture arrays will lead to spatial non-stationary channel conditions，and each antenna of the base station is equipped with a high-precision quantizer, the power consumption of the system will be greatly increased, which will hinder the widespread application of ultra-large-scale MIMO systems. Therefore, this article assumes that each antenna of the base station is equipped with a pair of 1-bit analog-to-digital converters(ADC), and uses the mapping relationship between the sub-array and the user to describe the non-stationary channel characteristics. Based on the powerful generalization ability of neural network(DNN), this paper designs a new generative supervised DNN model that can be trained with a reasonable number of pilots. The simulation results show that the proposed network can achieve better estimation performance with less pilots and achieve a good balance between performance and complexity.
Key words : channel estimation；deep learning；spatial non-stationary；1-bit ADC
0 引言
大規模多輸入多輸出(Multiple Input Multiple Output，MIMO)技術是第五代(Fifth Generation，5G)移動通信的關鍵技術之一。隨著天線陣列尺寸數量級的增加，形成了超大規模MIMO系統。通過增加天線陣列的尺寸，可以提升頻譜效率、能量效率和空間分辨率等，還有望獲取超高的數據速率和系統吞吐量。超大規模MIMO技術也因此成為第六代(Sixth Generation，6G)移動通信關鍵技術的候選[1]。然而，大口徑陣列的使用會造成不同的信道條件。當整個陣列的孔徑有限并且服務相同的用戶時，空間穩定性是成立的。但是，對于大孔徑陣列，由于天線陣列不同區域所服務的用戶不同，接收功率的級別也因此不同，這稱為空間非平穩性[2]。因此，可以引入子陣列和用戶可見區域(Visibility Region，VR)來描述信道非平穩性[3]。
本文詳細內容請下載：http://www.cowatch.cn/resource/share/2000003707。
作者信息：
蒲旭敏1，2，吳 超1，2，楊小瓏1，2
(1.重慶郵電大學 通信與信息工程學院，重慶400065；2.重慶郵電大學 移動通信技術重慶市重點實驗室，重慶400065)
此內容為AET網站原創，未經授權禁止轉載。