分布式大规模 MIMO 中基于上行 RSS 的机器学习用户定位方法

我们考虑一种基于高斯过程回归（GP）的机器学习方法，利用上行接收信号强度（RSS）数据在分布式大规模多输入多输出（MIMO）系统中对用户定位。我们聚焦于训练阶段可获得无噪 RSS、而测试阶段仅可获得含噪 RSS 的场景。为估计测试用户位置及其 2{\sigma} 误差棒，我们采用两种前沿 GP 方法，即常规 GP（CGP）方法与数值近似 GP（NaGP）方法。我们发现，将含噪测试 RSS 向量视为无噪的 CGP 方法，对估计位置给出了不切实际地小的 2{\sigma} 误差棒。为缓解此问题，我们推导了测试用户位置的真实预测分布，随后采用 NaGP 方法将其数值近似为具有相同一阶与二阶矩的高斯分布。我们还推导了两种 GP 方法可达均方根误差（RMSE）性能的贝叶斯 Cramer-Rao 下界（BCRLB）。仿真研究表明：(i) NaGP 方法确实对估计位置给出了真实的 2{\sigma} 误差棒，(ii) 在大规模 MIMO 体制下运行改善了 RMSE 性能，(iii) 所实现的 RMSE 性能非常接近推导的 BCRLB。