基于卷积字典学习的 XL-RIS 辅助大规模 MIMO 系统混合场信道估计
信号处理
2024-09-26 v1
摘要
极大可重构智能表面 (XL-RIS) 正成为 6G 系统的一项极具前景的关键技术。为了充分发挥 XL-RIS 的潜力,精确的信道估计至关重要。本文研究了在远场和近场信道共存的混合场场景下,XL-RIS 辅助的大规模 MIMO 系统中的信道估计问题。我们利用字典学习来构建这一问题,从而允许对字典和估计信道进行联合优化。为了处理 XL-RIS 信道的高维特性,我们专门采用了卷积字典学习 (CDL) 公式。CDL 公式被表述为一个双层优化问题,我们使用基于梯度的方法对其进行求解。为了解决计算上层目标函数梯度的挑战,我们引入了一种基于近端梯度下降 (PGD) 及其特例迭代软阈值算法 (ISTA) 的展开优化方法。我们提出了两种神经网络架构,即 Convolutional ISTA-Net 及其增强版 Convolutional ISTA-Net+,用于 CDL 的端到端优化。为了克服线性卷积滤波器在捕获复杂混合场信道结构方面的局限性,我们提出了 CNN-CDL 方法,该方法通过在其梯度下降步骤中用 CNN 模块替换线性卷积滤波器、在其近端映射步骤中采用可学习的近端映射模块,并结合跨层特征融合来增强 PGD。仿真结果证明了所提出方法在混合场 XL-RIS 系统信道估计中的有效性。
引用
@article{arxiv.2409.16664,
title = {Convolutional Dictionary Learning Based Hybrid-Field Channel Estimation for XL-RIS-Aided Massive MIMO Systems},
author = {Peicong Zheng and Xuantao Lyu and Ye Wang and Yi Gong},
journal= {arXiv preprint arXiv:2409.16664},
year = {2024}
}