面向宽带 XL-MIMO 的信道估计：受约束深度展开方法
信号处理
2025-05-27 v2
摘要
极大规模多输入多输出 (Extremely Large-scale MIMO, XL-MIMO) 使狭小波束成为可能，从而有效抑制高频通信中的路径损耗。这种能力使宽带高频通信与 XL-MIMO 的集成成为未来 6G 网络的关键使能器。实现此类宽带 XL-MIMO 系统的潜力，关键取决于获取准确的信道状态信息。然而，由于固有的宽带 XL-MIMO 信道特征，包括近场传播、波束分裂和空间非平稳性，信道估计面临重大挑战。为有效捕获这些信道特征，我们将信道估计形式化为最大后验概率问题，这有助于利用先验信道知识。我们随后提出一种具有可学习步长的展开型梯度下降算法，采用专用神经网络进行 proximal 映射。该设计使所提出算法能够直接从数据中隐式学习先验信道知识，从而无需显式正则化函数。为提高收敛性，我们引入层级估计误差的单调下降约束，并提供理论分析来表征算法的收敛行为。仿真结果表明，所提出的展开式算法优于传统和深度学习方法。
引用
@article{arxiv.2505.07717,
title = {Channel Estimation for Wideband XL-MIMO: A Constrained Deep Unrolling Approach},
author = {Peicong Zheng and Xuantao Lyu and Ye Wang and Yi Gong},
journal= {arXiv preprint arXiv:2505.07717},
year = {2025}
}