近场全息 MIMO 中用于信道估计的贝叶斯最优无监督学习

全息 MIMO (HMIMO) 被日益认为是 6G 无线系统的关键使能技术，它通过在紧凑空间内部署极大量天线来充分利用电磁 (EM) 信道的潜力。然而，如果没有有效的方法来估计高维信道，HMIMO 系统的益处就无法完全释放，而由于近场区域的可及性，该高维信道的分布变得日益复杂。本文解决了在未知 EM 环境中运行的近场 HMIMO 系统中设计低复杂度贝叶斯最优信道估计器的基本挑战。核心思想是仅基于接收导频信号的 Stein 分数函数和估计的噪声水平来估计 HMIMO 信道，而不依赖于在实际部署中不可行的先验或监督。使用无监督去噪分数匹配目标训练神经网络以学习参数化的分数函数。同时，提出了一种基于主成分分析 (PCA) 的算法，利用低秩近场空间相关性来估计噪声水平。基于这些技术，我们为全数字 HMIMO 收发机开发了一种闭式形式的贝叶斯最优基于分数的信道估计器。通过将其纳入低复杂度消息传递算法，最优基于分数的估计器也被扩展至混合模数 HMIMO 系统。所提估计器的（拟）贝叶斯最优性在理论和大量仿真结果中均得到了验证。除了最优性之外，结果表明，得益于其无监督特性，我们的方法对各种失配具有鲁棒性，并能以在线方式快速适应动态 EM 环境，展示了其在实际部署中的潜力。