Anskaffelse af kanaltilstandsinformation til mmWave MIMO:Traditionelle og maskinlæringstilgange

Millimeterbølge (mmWave) kommunikation har tiltrukket stor interesse fra den akademiske verden, industri, og regeringen, da de kan gøre fuld brug af rigelige frekvensressourcer på højfrekvensbåndet for at opnå ultra-højhastigheds datatransmission. mmWave kommunikationssystemerne er normalt udstyret med store antennesystemer, kendt som mmWave massive multiple-input multiple-output (MIMO), at generere stærkt retningsbestemte stråler og kompensere for det alvorlige kurstab i højfrekvensbåndet. Imidlertid, ydeevnen af ​​retningsbestemt stråleformning afhænger i høj grad af nøjagtigheden af ​​kanaltilstandsinformation (CSI) erhvervelse. Sammenlignet med de traditionelle MIMO-systemer, CSI -erhvervelsen i mmWave massive MIMO -systemer er udfordrende. På den ene side, de store antennearrays danner en højdimensionel kanalmatrix, hvis skøn bruger flere ressourcer, f.eks., pilotsekvens overhead, lydstråle over hovedet, og beregningskompleksitet. På den anden side, mmWave massive MIMO anvender typisk en hybrid stråleformende arkitektur, hvor radiofrekvenskæderne (RF) er meget færre end antennerne. Derfor, vi kan kun få et lavdimensionssignal fra RF-kæderne i stedet for direkte at få et højdimensionalt signal fra frontendantennerne, hvilket gør CSI-opkøb meget mere udfordrende end normalt.

CSI-opsamling inkluderer stråletræning og kanalestimering. Nogle gange kaldes stråletræning også for strålejustering. For mmWave massive MIMO, der bruger elektromagnetisk linse, der generelt fungerer som en DFT-transformation fra vinkelrummet til beamspace, stråletræning kaldes også strålevalg. Stråletræningen lyder mmWavemassive MIMO -kanalen med analoge sende- og modtagelsesstråler for at finde de strålepar, der passer bedst til transmissionen, som kan undgå estimering af en højdimensionel kanalmatrix. Når stråletræningen er færdig, klassiske metoder såsom mindste kvadrat eller minimum middelkvadrat fejlestimering, kan bruges til at estimere den ækvivalente kanalmatrix med et lille antal pilotsymboler. Kanalestimeringen fokuserer på estimering af en højdimensioneret kanalmatrix, som fleksibelt udnytter avancerede signalbehandlingsteknikker, såsom komprimeret sensing (CS). Både stråletræning og kanalestimering kan udnytte maskinlæringsteknikker (ML) ud over de traditionelle tilgange.

I denne artikel, en oversigt over CSI -erhvervelse for mmWave massiv MIMO leveres. For det første, stråletræningen nærmer sig, inklusive strålefejning, hierarkisk stråletræning, og ML-baseret stråletræning undersøges. Med stråletræning, vi behøver kun at estimere en lavdimension ækvivalent kanalmatrix i skalaen for antallet af RF-kæder. Som den anden kategori af CSI-opkøb, kanalestimering sigter mod præcist at estimere mmWave massive MIMO -kanaler. Så de almindelige kanalestimeringsmetoder, herunder CS-baseret sparse kanalstimering, array signalbehandling-baseret kanalstimering, og ML-baseret kanalestimering diskuteres. Endelig, forskellige tilgange med hensyn til spektral effektivitet (SE), beregningsmæssig kompleksitet, og påløbne overhead sammenlignes i detaljer. Der gives også nogle åbne problemstillinger for fremtidigt forskningsarbejde.