用于毫米波 MIMO 信道估计的 GAN 训练空中接口设计

未来无线系统正朝着更高载波频率发展，其提供更大通信带宽但需要使用大型天线阵列。现有的信道估计信号处理技术在性能与导频开销方面无法很好地扩展到这一“高维”体制。同时，训练基于深度学习的信道估计方法需要大量标注数据集，将导频测量映射至干净信道实现，而这些数据集只能使用仿真信道离线生成。本文中，我们开发了一种新颖的无监督空中接口（OTA）算法，利用含噪接收导频测量来训练深度生成模型以输出波束空间 MIMO 信道实现。我们的方法利用生成对抗网络（GAN），同时使用条件输入来区分视距（LOS）与非视距（NLOS）信道实现。我们还提出了 OTA 算法的联邦实现，将 GAN 训练分布至多个用户并大幅降低用户侧计算量。随后，我们将基于有限导频测量的信道估计表述为逆问题，并通过优化已训练生成模型的输入向量来重建信道。我们提出的方法在 LOS 与 NLOS 信道模型上均显著优于正交匹配追踪（OMP），并在 LOS 信道模型上优于 EM-GM-AMP——一种近似消息传递算法，同时在 NLOS 信道模型上就归一化信道重建误差而言取得相当性能。更重要的是，我们提出的框架有潜力使用真实含噪导频测量在线训练，不限于特定信道模型，甚至可用于从含噪数据进行数据集生成器的联邦 OTA 设计。