Turbo-AI：基于迭代机器学习的二维大规模阵列信道估计

近来，机器学习（ML）被公认为无线通信的有效工具，并在增强第五代（5G）与超越 5G（B5G）系统物理层（PHY）方面发挥演进作用。本文关注基于 ML 的二维（2D）大规模天线阵列信道估计。由于普通训练对 2D 阵列计算需求极高，我们利用 2D Kronecker 协方差模型对垂直与水平空间域独立进行子空间训练，对于 $M \times N$ 的 2D 阵列，该方法使 ML 的复杂度代价节省因子达 $O(M^4N^4)/O(MN^4 + NM^4)$。此外，我们提出一种称为 Turbo-AI 的迭代训练方法。结合子空间训练，该新方法能单调降低观测加性噪声的有效方差，并通过再训练更新神经网络（NN）模型。进一步，我们提出通用训练（Universal Training）概念，其允许使用一个 NN 覆盖宽范围的信噪比（SNR）工作点与空间角度，可极大简化 Turbo-AI 的使用。数值结果表明 Turbo-AI 能紧密逼近已知辅助信道估计界，尤其在低 SNR 下。