时变大规模 MIMO 信道估计：捕获、重构与恢复

在时变信道估计方面，传统的下行链路（DL）信道恢复方案通常需要重构下行链路过程噪声向量的协方差，而这依赖于下行链路信道协方差矩阵（CCM）。然而，在大规模 MIMO 系统中，CCM 的获取会带来难以接受的开销。为解决该问题，本文提出一种新颖的下行链路信道跟踪方案。首先，借助虚拟信道表示（VCR），我们建立了考虑离网格细化的动态上行链路（UL）大规模 MIMO 信道模型。随后，采用基于坐标极大化的期望最大化（EM）算法来捕获模型参数，包括空间特征、时间相关因子、离网格偏差、信道功率和噪声功率。得益于角度互易性，下行链路信道模型的空间特征、时间相关因子和离网格偏差可利用上行链路对应参数进行重构。然而，另外两类模型参数与载波频率密切相关，无法由上链路参数完美推断。我们并未通过专用训练重新学习下行链路模型参数，而是借助最优贝叶斯卡尔曼滤波（OBKF）方法，利用部分先验知识精确跟踪下行链路信道。同时，模型参数将逐步恢复。特别地，在 OBKF 框架内利用了因子图与 Metropolis Hastings MCMC。最后，数值结果证明了我们所提方案的有效性。