摘要：大規(guī)模多輸入多輸出（MIMO）技術(shù)能夠大幅度提升系統(tǒng)容量，降低不同用戶間的干擾，但因其系統(tǒng)中信道維度高、信道估計(jì)和預(yù)編碼算法復(fù)雜等因素，使得系統(tǒng)軟硬件開銷都會增大。將大規(guī)模MIMO系統(tǒng)的預(yù)編碼算法分為數(shù)字、模擬和混合3種類型，并對3類預(yù)編碼算法進(jìn)行了歸納對比，總結(jié)出不同預(yù)編碼算法的優(yōu)缺點(diǎn)和適用場景。將信道估計(jì)方案分為訓(xùn)練估計(jì)和盲估計(jì)，歸納總結(jié)了2類方案的優(yōu)缺點(diǎn)，并指出合理利用大規(guī)模MIMO的信道稀疏性能夠改善信道估計(jì)的質(zhì)量，減少估計(jì)開銷。

下一代無線通信系統(tǒng)致力于達(dá)到每秒吉比特以上的數(shù)據(jù)吞吐率以支持高速率的多媒體業(yè)務(wù)。毫米波頻段（30～300 GHz）尚存在大量未使用的頻譜，可利用的頻帶寬，信息容量大，成為下一代通信系統(tǒng)中提高數(shù)據(jù)速率的主要手段。然而，毫米波通信面臨的一個主要問題是自由空間路損使得接收端信號產(chǎn)生大幅度衰減。不僅如此，當(dāng)信號穿過雨、霧或收發(fā)兩端之間存在障礙物時，衰減會更加嚴(yán)重，甚至?xí)鹦盘栔袛唷Ｒ虼耍朔盘杺鬏斶^程中的衰減和損耗，提升系統(tǒng)容量成為毫米波通信技術(shù)研究的主要方向。

大規(guī)模多進(jìn)多出（MIMO）技術(shù)是在基站端部署大規(guī)模陣列，與傳統(tǒng)MIMO相比能夠有效抵抗不同用戶之間的干擾，顯著提升系統(tǒng)的容量。毫米波頻段的天線尺寸很小，為配備大規(guī)模天線陣列提供了可能。基站天線數(shù)量可遠(yuǎn)大于用戶數(shù)，故系統(tǒng)可以獲得很高的復(fù)用增益、分集增益和陣列增益。另外，大規(guī)模MIMO能夠?qū)⑿盘柲芰烤劢乖诤苷牟ㄊ希行У靥嵘四芰啃省Ｔ诖笠?guī)模MIMO系統(tǒng)中，預(yù)編碼技術(shù)是下行鏈路中至關(guān)重要的信號處理技術(shù)，其利用發(fā)送端的信道狀態(tài)信息（CSI），將調(diào)制過的符號流變換成適應(yīng)當(dāng)前信道的數(shù)據(jù)流，將信號能量集中到目標(biāo)用戶附近，有效對抗衰減和損耗，提升了系統(tǒng)性能。因此，研究毫米波大規(guī)模MIMO系統(tǒng)中的預(yù)編碼技術(shù)對推進(jìn)下一代無線通信的發(fā)展有重要意義。

1、預(yù)編碼技術(shù)概述

預(yù)編碼技術(shù)是在下行鏈路的發(fā)送端利用CSI對發(fā)送信號進(jìn)行預(yù)處理，將不同用戶及天線之間的干擾最小化，并將信號能量集中到目標(biāo)用戶附近，使接收端獲得較好的信噪比（SNR），提高系統(tǒng)信道容量。預(yù)編碼最關(guān)鍵的2 個挑戰(zhàn)是獲取CSI和預(yù)編碼矩陣。由于大規(guī)模天線的使用，信道矩陣和預(yù)編碼矩陣維度增高，算法復(fù)雜度、系統(tǒng)硬件成本和實(shí)現(xiàn)難度都會增大。已有很多研究工作針對降低系統(tǒng)計(jì)算復(fù)雜度和開銷展開：文獻(xiàn)[1]中，作者提出用牛頓和切比雪夫迭代估計(jì)信道矩陣的逆，以降低迫零（ZF）預(yù)編碼方案中求逆的計(jì)算量；文獻(xiàn)[2]中，作者采用基于統(tǒng)計(jì)信道信息的預(yù)編碼，統(tǒng)計(jì)信道狀態(tài)相較于即時信道狀態(tài)變化慢，可采用簡單的長期反饋方式或信道互易性得到，大大減少了系統(tǒng)開銷；文獻(xiàn)[3]中，作者采用信漏噪比（SLNR）代替信干噪比（SINR）作為多用戶MIMO場景下預(yù)編碼矩陣求解的優(yōu)化目標(biāo)，有效地避免了非確定性多項(xiàng)式（NP）難度的相關(guān)問題。

根據(jù)預(yù)編碼矩陣作用于基帶或射頻（RF）可將預(yù)編碼方案分為數(shù)字基帶預(yù)編碼、模擬射頻預(yù)編碼和混合預(yù)編碼。在數(shù)字基帶預(yù)編碼中，傳統(tǒng)的線性和非線性預(yù)編碼都可以直接應(yīng)用到大規(guī)模MIMO系統(tǒng)中，但非線性預(yù)編碼的計(jì)算復(fù)雜度過高，線性方案更占優(yōu)勢。模擬預(yù)編碼能顯著減少系統(tǒng)硬件開銷，但需要犧牲部分性能。混合預(yù)編碼作為近年來興起的方案，能結(jié)合數(shù)字預(yù)編碼和模擬預(yù)編碼的優(yōu)點(diǎn)，在硬件開銷和系統(tǒng)性能之間折中。

信道估計(jì)根據(jù)其是否引入了訓(xùn)練信號可分為訓(xùn)練估計(jì)和盲估計(jì)，訓(xùn)練估計(jì)需要給每個用戶設(shè)計(jì)不同的導(dǎo)頻序列。由于小區(qū)內(nèi)存在大量用戶，大規(guī)模MIMO存在著嚴(yán)重的導(dǎo)頻污染。盲估計(jì)直接根據(jù)接收到的數(shù)據(jù)估計(jì)信道和發(fā)送信號，由于基站端部署了大規(guī)模天線，估計(jì)算法的復(fù)雜度和計(jì)算量都很高。本文根據(jù)以上分類對大規(guī)模MIMO系統(tǒng)中現(xiàn)有的預(yù)編碼算法和信道估計(jì)方案進(jìn)行總結(jié)分析，并提出相關(guān)建議。

2、預(yù)編碼方案

2.1 數(shù)字預(yù)編碼

數(shù)字基帶預(yù)編碼是在數(shù)模轉(zhuǎn)換前用矩陣處理調(diào)制的符號流。該方案要求RF 鏈數(shù)量和天線數(shù)目相同，能達(dá)到很好的系統(tǒng)性能。傳統(tǒng)MIMO系統(tǒng)中的線性和非線性預(yù)編碼方案都可以直接應(yīng)用到大規(guī)模MIMO系統(tǒng)中作為數(shù)字基帶預(yù)編碼方案，但非線性預(yù)編碼如臟紙（DPC）等算法復(fù)雜度較高，隨著天線數(shù)增加計(jì)算復(fù)雜度會激增。此外，GAO X[4]等人做了實(shí)際測量，發(fā)現(xiàn)在大規(guī)模MIMO 系統(tǒng)中，采用低復(fù)雜度的線性預(yù)編碼就可實(shí)現(xiàn)DPC 預(yù)編碼98%的性能。因此，毫米波大規(guī)模MIMO中一般采用線性預(yù)編碼，常見的線性預(yù)編碼包括最大比傳輸（MRT）、ZF、最小均方誤差（MMSE）和截?cái)喽囗?xiàng)式展開（TPE）。

（1）MRT

MRT 在很多文獻(xiàn)中又被稱為匹配濾波方案（MF）[5-6]，其預(yù)編碼矩陣和用戶端接收信號可表示為：

WMRT=βH （1）

（2）

其中，β是縮放因子，用來約束信號發(fā)送功率。MRT方案的核心思想是最大化目標(biāo)用戶的信號增益[5]，[7]，但不考慮不同用戶間的干擾，僅適用于信道相關(guān)度低的場景，在高度相關(guān)性信道下，該方案的性能會急劇下降。另外，隨著基站天線數(shù)的增加，H中的信道矢量趨向于相互正交，使得HHH近似于一個對角陣，MRT方案的性能開始逐漸顯現(xiàn)出來[8]，因此MRT方案則更適用于基站天線數(shù)較多的場景。

（2）ZF

MRT方案只關(guān)注目標(biāo)用戶的有用信號，忽略了不同用戶間的干擾。ZF正好相反，其致力于消除不同用戶間的干擾，不考慮噪聲的影響，ZF方案預(yù)編碼矩陣和接收信號向量可表示為：

WZF=βH(HHH)-1（3）

（4）

ZF方案在SNR較高的區(qū)域能達(dá)到很好的系統(tǒng)和速率；在SNR較低的區(qū)域，由于其忽略了噪聲的影響，系統(tǒng)可達(dá)總速率沒有MRT方案高[9]。ZF方案需要對K×K 維矩陣進(jìn)行求逆運(yùn)算，運(yùn)算量會隨著用戶數(shù)增長而增加，因此ZF方案適用于用戶數(shù)較少的場景。

（3）正則迫零方案（RZF）

大規(guī)模MIMO系統(tǒng)中，RZF被視為最實(shí)用并且性能可靠的預(yù)編碼方案之一[12]，其基本思想是最小化接收信號與發(fā)射信號之間的均方誤差，因此又被稱為最小均方誤差預(yù)編碼方案（MMSE）。其預(yù)編碼矩陣和接收信號計(jì)算如下：

WRZF=βH(HHH +ξIK)-1（5）

（6）

其中，ξ是正則化系數(shù)，與基站總傳輸功率P及噪聲功率σ2相關(guān)。RZF預(yù)編碼結(jié)合了ZF和MRT方案的優(yōu)點(diǎn)，當(dāng)ξ→0，式（5）成為ZF方案，當(dāng)ξ→∞時，式（5）演變成MRT方案[10]；RZF需要對矩陣求逆，計(jì)算復(fù)雜度達(dá)到3MK2[11]，因此該方案適合用戶數(shù)量較少的場景。另外，很多文獻(xiàn)也提出可以采用復(fù)雜度較低的迭代算法代替RZF中的求逆運(yùn)算[1]，[12]。

（4）TPE

TPE 是在RZF方案的基礎(chǔ)上演變而來的[13]，其基本思想是用矩陣多項(xiàng)式逼近RZF方案中矩陣的逆，根據(jù)文獻(xiàn)[14]中的引理1，可將式（5）通過一系列變換得到TPE預(yù)編碼矩陣：

（7）

（8）

其中，ωl為標(biāo)量系數(shù)，J代表多項(xiàng)式階數(shù)。事實(shí)上，J =1時，多項(xiàng)式變?yōu)閃TPE=ωlHH，即MRT 預(yù)編碼矩陣，J =K時可得到RZF預(yù)編碼矩陣。采用TPE預(yù)編碼算法可避免復(fù)雜的求逆運(yùn)算，且多項(xiàng)式各級求解可同步進(jìn)行以提高運(yùn)算效率。另外，由于可以對參數(shù)J進(jìn)行拆分，該算法易于通過硬件實(shí)現(xiàn)。但從性能上看，只有當(dāng)J很大時，其性能才能逼近RZF算法，J越大硬件開銷也越大。另外，TPE算法只有在基站天線數(shù)遠(yuǎn)大于用戶數(shù)時，才能近似達(dá)到RZF的性能，當(dāng)基站天線數(shù)減少或者用戶數(shù)變多時，其性能都會受到影響而變差。本文基于萊斯信道模型對TPE算法性能進(jìn)行驗(yàn)證，仿真結(jié)果如圖1，可看出隨著多項(xiàng)式級數(shù)增加，系統(tǒng)用戶平均速率越來越高。表1總結(jié)歸納了上述幾種數(shù)字預(yù)編碼方案的優(yōu)缺點(diǎn)。

圖1、不同多項(xiàng)式級數(shù)下TPE 算法性能

表1、不同數(shù)字預(yù)編碼方案優(yōu)缺點(diǎn)

2.2 模擬預(yù)編碼

模擬預(yù)編碼是在數(shù)模轉(zhuǎn)換之后對輸入符號流進(jìn)行處理。這類方案可將多根天線同時連到一條RF鏈上，非常適用于大規(guī)模MIMO系統(tǒng)天線數(shù)很多的情況，能顯著降低系統(tǒng)硬件成本，且計(jì)算復(fù)雜度較低。模擬預(yù)編碼根據(jù)采用器件的不同可分為2類：第1類是基于相移的方案，利用低成本的移相器控制每個天線發(fā)射信號的相位；第2類是基于天線選擇的方案，利用成本更低的RF 開關(guān)激活需要工作的部分天線。

（1）基于相移的方案

尋找合適的相移矩陣是基于相移方案的關(guān)鍵，最簡單的方法是提取信道矩陣中元素的相位作為相移矩陣[15]，但在實(shí)際應(yīng)用中由于所使用相移器的限制，必須對M×K個相位進(jìn)行量化，量化誤差會使預(yù)編碼方案的性能大打折扣。文獻(xiàn)[16]中，作者采用功率迭代的方法求解一組相位集合，該算法在迭代3～4次之后就能收斂，但需要發(fā)送端不停地向接收端發(fā)送訓(xùn)練序列，訓(xùn)練開銷較大。

（2）基于天線選擇的方案

開關(guān)模擬預(yù)編碼（OABF）方案[17]，采用廉價(jià)的RF開關(guān)代替模擬移相器。發(fā)送信號時，選擇激活有更好信道條件且相位相近的天線子陣列來產(chǎn)生發(fā)射波束，選擇天線時基于最大化SNR準(zhǔn)則。該方案能夠獲得全天線增益和全分集增益，但其性能無法超越基于相移的方案，兩者可達(dá)總速率的差值上界為2logπ。文獻(xiàn)中仿真結(jié)果表明：這類方案在基站天線數(shù)較多的時候性能較好。在選擇工作天線時還可采用功率最大標(biāo)準(zhǔn)[18]，選取功率最大的信道向量對應(yīng)的發(fā)送天線集合，這種方案不用進(jìn)行SNR計(jì)算，復(fù)雜度較低，但天線增益低，總體性能較差。

基于天線選擇的方案與基于相移的方案相比可進(jìn)一步降低硬件成本和功耗，但其性能要差于基于相移的預(yù)編碼方案，且其需要一定復(fù)雜度的天線選擇算法的支撐，選擇算法的復(fù)雜度會隨著天線數(shù)量的增加呈指數(shù)增長[19]。總體來說，模擬預(yù)編碼方案不需要為每個發(fā)射天線配置一條RF鏈，大大降低了硬件成本，但其缺乏對信號幅度的調(diào)節(jié)，所以性能普遍沒有數(shù)字預(yù)編碼方案好。表2總結(jié)了上述2類模擬預(yù)編碼方案的優(yōu)缺點(diǎn)。

表2、不同模擬預(yù)編碼方案的優(yōu)缺點(diǎn)

2.3 混合預(yù)編碼

大規(guī)模MIMO系統(tǒng)中，數(shù)字預(yù)編碼方案能達(dá)到很好的系統(tǒng)性能，但需要給每個發(fā)射天線配置一條RF鏈，成本昂貴。模擬預(yù)編碼在經(jīng)濟(jì)上比數(shù)字預(yù)編碼更受歡迎，但模擬預(yù)編碼矩陣中每個系數(shù)擁有恒定的模，缺乏幅度的控制，其性能比數(shù)字預(yù)編碼差。混合數(shù)字/模擬預(yù)編碼技術(shù)結(jié)合了2種方案的優(yōu)點(diǎn)，在支持幅度調(diào)節(jié)和相位調(diào)節(jié)的同時，減少RF鏈數(shù)。

常用的2種混合預(yù)編碼發(fā)端結(jié)構(gòu)如圖2所示[20]，圖2a）是復(fù)雜結(jié)構(gòu)，每個RF鏈通過移相器和所有天線相連，每個天線陣元輸出所有射頻信號的線性組合；圖2b）是低復(fù)雜性結(jié)構(gòu)，天線陣列被分為N個子陣列，每個RF鏈分別與子陣列相連，降低了系統(tǒng)的復(fù)雜性。基帶傳輸數(shù)據(jù)流經(jīng)數(shù)字預(yù)編碼器作用形成N個輸出流，并上變頻到RF鏈上，然后再經(jīng)模擬預(yù)編碼器映射到M個天線上發(fā)送出去。圖2中的RF鏈由數(shù)模轉(zhuǎn)換器（DAC）/模數(shù)轉(zhuǎn)換器（ADC）、混頻器、功放組成。

圖2、混合預(yù)編碼系統(tǒng)結(jié)構(gòu)

（1）復(fù)雜結(jié)構(gòu)混合預(yù)編碼

文獻(xiàn)[21]中的移相器迫零（PZF）方案基于圖2a）中復(fù)雜結(jié)構(gòu)，提取信道矩陣的相位形成模擬預(yù)編碼矩陣，經(jīng)模擬預(yù)編碼矩陣作用后的信道作為基帶等效信道，在基帶上，使用ZF方案求解數(shù)字預(yù)編碼矩陣。其預(yù)編碼矩陣由2個部分組成，在射頻上，模擬預(yù)編碼矩陣可以表示為：

（9）

其中，F(xiàn)i,j表示矩陣F 的第(i,j) 個元素，φi,j表示信道矩陣H第(i,j)個元素的相位。在基帶上，數(shù)字預(yù)編碼矩陣可表示為：

（10）

其中，Heq是經(jīng)F作用后的等效信道，Heq=HHF，Λ是用于限制發(fā)送信號功率的對角陣。可以看出：等效信道Heq是K×K維的矩陣。相較于原始信道矩陣，行數(shù)從M行降到K行，大大減少了求逆運(yùn)算的復(fù)雜度。另外，PZF方案可以支持同時傳輸K路數(shù)據(jù)流，并且只需要K個RF 鏈；但其性能會不同程度地受到ZF方案的約束，永遠(yuǎn)不能超過ZF方案。

（2）低復(fù)雜結(jié)構(gòu)混合預(yù)編碼

文獻(xiàn)[22]中，作者則基于圖2b）中的結(jié)構(gòu)，結(jié)合ZF和MRT方案，將天線陣列分為若干組，組內(nèi)采用MRT方案，組間采用ZF方案。文中我們基于實(shí)測小小區(qū)場景對所提方案進(jìn)行性能仿真，結(jié)果證明：該方案與ZF方案的SINR 相差1 dB 時，需要的RF 數(shù)量減少為ZF方案的1/25。ZF-MRT方案的RF 鏈數(shù)可以任意調(diào)節(jié)，但RF鏈數(shù)越少，性能也會越差。本文中，我們基于萊斯信道模型，對ZF、MRT、ZF-MRT 3 種方案的性能進(jìn)行仿真對比。如圖3所示，當(dāng)RF鏈數(shù)由64個減少至32個時，ZF-MRT 方案可達(dá)到的SINR 也隨之降低，因此需要犧牲系統(tǒng)性能來減少RF鏈的數(shù)目。另外，ZF-MRT方案性能也會受到ZF方案的約束，永遠(yuǎn)無法超越ZF方案。表3總結(jié)了2種混合預(yù)編碼方案的優(yōu)缺點(diǎn)。

圖3、混合預(yù)編碼方案ZF-MRT 性能仿真

表3、不同混合預(yù)編碼方案優(yōu)缺點(diǎn)

3、信道估計(jì)

在上述所有預(yù)編碼方案中，預(yù)編碼矩陣W的求解都離不開信道矩陣H，因此對信道矩陣的估計(jì)是預(yù)編碼處理中不可或缺的一步。大規(guī)模MIMO系統(tǒng)中，信道矩陣呈現(xiàn)稀疏結(jié)構(gòu)[23]，適當(dāng)利用毫米波大規(guī)模MIMO的信道稀疏性有助于改善信道估計(jì)的質(zhì)量減少估計(jì)開銷。

（1）訓(xùn)練估計(jì)

訓(xùn)練估計(jì)中，發(fā)送端發(fā)送導(dǎo)頻序列，接收端根據(jù)接收到的信號估計(jì)CSI。所需導(dǎo)頻序列數(shù)量隨著系統(tǒng)中的用戶數(shù)增大而增大，導(dǎo)頻序列的數(shù)量越多，不同序列之間產(chǎn)生干擾的可能性也越大，導(dǎo)頻污染也越嚴(yán)重，因此在這類估計(jì)方案中，在不影響信道估計(jì)質(zhì)量的前提下應(yīng)盡可能地減少導(dǎo)頻序列的數(shù)量。基于大規(guī)模MIMO信道的稀疏性，利用壓縮感知技術(shù)可以減少訓(xùn)練序列的數(shù)量[24-26]。在文獻(xiàn)[24]中，作者首先建立了稀疏性信道模型，在該模型基礎(chǔ)上提出一種分布式壓縮感知方案，在用戶端感知壓縮信道并將感知到的信息反饋回基站，基站端根據(jù)反饋信息采用正交匹配追蹤算法恢復(fù)CSI。文獻(xiàn)[26]中作者的基本思路與文獻(xiàn)[24]一致，在CSI恢復(fù)階段采用了貝葉斯稀疏信號重建算法。文獻(xiàn)[27]中，為降低導(dǎo)頻開銷，作者提出基于旋轉(zhuǎn)恒定技術(shù)（ESPRIT）的超分辨率信道估計(jì)方案。利用毫米波信道角度稀疏性，先估計(jì)低維等效信道，然后采用高分辨率算法從低維信道中估計(jì)到達(dá)角（AOA）和離開角（AOD）并利用最小均方誤差準(zhǔn)則計(jì)算路徑增益，最后根據(jù)AOA、AOD 以及路徑增益重建高維信道。

（2）盲估計(jì)

盲估計(jì)不發(fā)送專門的導(dǎo)頻序列，僅利用接收信號本身和發(fā)送信號的內(nèi)在特點(diǎn)進(jìn)行信道估計(jì)，它不會產(chǎn)生訓(xùn)練開銷，但估計(jì)準(zhǔn)確度沒有訓(xùn)練估計(jì)好[28]。盲估計(jì)中，信道估計(jì)問題可建模為稀疏矩陣分解問題，然后利用字典學(xué)習(xí)算法，如K均值奇異值分解（K-SVD）[29]、隨機(jī)逼近（SPAMS）[30]、雙線性廣義近似消息傳遞[31]（BiGAMP）等求近似解，在這些學(xué)習(xí)方法中K-SVD性能最差，但所需迭代次數(shù)較低，SPAMS 在SNR 較低的區(qū)域（10～25 dB）性能表現(xiàn)突出，但迭代次數(shù)很高，且性能會隨著SNR增高逐漸衰退。Big-AMP正好相反，在SNR較高（大于25 dB）的區(qū)域性能表現(xiàn)突出。文獻(xiàn)[23]中，作者對Big-AMP提出改進(jìn)，考慮到大規(guī)模MIMO中信道保持不變的相干時間T通常大于用戶數(shù)量K，因此在字典學(xué)習(xí)之前先將觀測信號矩陣Y 映射到發(fā)送信號X所在的空間上，改進(jìn)方案在SNR 較高（大于20 dB）的區(qū)域性能優(yōu)勢突出。表4總結(jié)了2類信道估計(jì)方案的優(yōu)缺點(diǎn)。

表4、2類信道估計(jì)方案優(yōu)缺點(diǎn)

4、結(jié)束語

在大規(guī)模MIMO系統(tǒng)中，采用數(shù)字基帶預(yù)編碼方案可以達(dá)到較好的性能，但硬件開銷很大。其中，當(dāng)系統(tǒng)中天線數(shù)很多或?qū)υ肼暤南筝^高時應(yīng)優(yōu)先采用RZF預(yù)編碼；系統(tǒng)天線數(shù)較少或信道高度相關(guān)時，應(yīng)采用ZF預(yù)編碼；當(dāng)系統(tǒng)對算法復(fù)雜度和性能都有較高要求，應(yīng)考慮采用TPE算法。模擬預(yù)編碼方案可使用在成本不可觀的情況下，其中基于天線選擇的方案對系統(tǒng)硬件成本要求最低。在對系統(tǒng)性能和硬件開銷都有較高要求的情況下，可以采用混合預(yù)編碼方案，其中PZF方案適用于多路數(shù)據(jù)流同時傳輸?shù)那樾危琙F-MRT方案能靈活調(diào)節(jié)RF數(shù)，可根據(jù)實(shí)際需要在系統(tǒng)性能和硬件開銷間折中。

在信道估計(jì)中，訓(xùn)練估計(jì)可利用壓縮感知技術(shù)減少導(dǎo)頻序列的數(shù)量進(jìn)而減少導(dǎo)頻污染，適用于實(shí)時數(shù)據(jù)傳輸以及用戶數(shù)量較少的場景。在盲估計(jì)中，可以將估計(jì)問題建模為稀疏矩陣分解問題，這類非凸優(yōu)化問題一般難以求得最優(yōu)解，可利用字典學(xué)習(xí)方法求得近似解。在信道資源緊張時，應(yīng)優(yōu)先考慮盲估計(jì)。

現(xiàn)有的大規(guī)模MIMO系統(tǒng)預(yù)編碼技術(shù)的研究多局限于單天線用戶場景，有必要擴(kuò)展到多天線用戶場景。另外，很多理論結(jié)果是基于瑞利衰落信道得出，未來的研究工作有必要擴(kuò)展到其他信道模型及實(shí)測信道。最后，現(xiàn)有研究大多數(shù)基于靜態(tài)場景，對移動場景下的預(yù)編碼技術(shù)研究較少。因此，大規(guī)模MIMO系統(tǒng)預(yù)編碼的技術(shù)研究仍需進(jìn)一步深入，未來的研究工作可針對以上幾個方向展開。

來源：中興通訊技術(shù)
作者：張鈺、趙雄文，華北電力大學(xué)

參考文獻(xiàn)

[1] ZHANG C, LI Z, YAN F, et al. A Low- Complexity Massive MIMO Precoding Algorithm based on Chebyshev Iteration [J]. IEEE Access, 2017, (5):22545 - 22551. DOI: 10.1109/ACCESS.2017.2760881
[2] ZHANG C, LU Z, HUANG Y, et al. Statistical Beamforming for FDD Massive MIMO Downlink Systems [C] // IEEE/CIC International Conference on. USA: IEEE,2015 10.1109/ICCChina.2015.7448643
[3] MA J, ZHANG S, LI H, et al. Base Station Selection for Massive MIMO Networks With Two-Stage Precoding [J]. IEEE wireless Communications Letters, 2017, 6(5):598-601
[4] GAO X, EDFORS O, RUSEK F. Linear Pre-Coding Performance in Measured Very-Large MIMO Channels[C]// Proceedings of the IEEE Conference on Vehicular Technology.USA:IEEE, 2011:1-5. DOI:10.1109/VETECF.2011.6093291
[5] FENG C, JING Y, JIN S. Interference and Outage Probability Analysis for Massive MIMO Downlink with MF Precoding [J].IEEE Signal Processing Letters, 2016, 23(2):366-370. DOI: 10.1109/LSP.2015.2511630
[6] ATAPATTU S, HARMAWANSA P, TELLAMBURA C, et al. Exact Outage Analysis of Multiple-User Downlink with MIMO Matched-Filter Precoding [J]. IEEE Communications Letters, 2017, 21(12):2754-2757. DOI: 10.1109/LCOMM.2017.2749302
[7] FENG C, JING Y. Modified MRT and Outage Probability Analysis for Massive MIMO Downlink under Per-Antenna Power Constraint[C]//Proceedings of the17th IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC).USA:IEEE, 2016:3-6. DOI: 10.1109/SPAWC.2016.7536897
[8] ZHU J, BHARGAVA V, SCHOBER R. Secure Downlink Transmission in Massive MIMO System with Zero-Forcing Precoding [C]//Proceedings of the 20th Conference on European Wireless, 2014. Spain: VDE, 2014:14-16
[9] LYU T K. Capacity of Multi-User MIMO Systems with MMSE and ZF Precoding [C]//2016 IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS) .USA: IEEE, 2016:1083-1084. DOI: 10.1109/INFCOMW.2016.7562264
[10] MULLER A, COUILLET R, BJORNSON E, et al. Interference-Aware RZF Precoding for Multicell Downlink Systems [J]. IEEE Transactions on Signal Processing, 2015, 63 (15):3959-3973. DOI: 10.1109/TSP.2015.2423262
[11] MULLE A R, KAMMOU A, BJORNSON E, et al. Linear Precoding Based on Polynomial Expansion: Reducing Complexity in Massive MIMO (Extended Version) [J]. IEEE Journal Selected Topics Signal Process, 2014, 8(5):861-875. DOI: 10.1186/s13638-016-0546-z
[12] MUKUBWA E, SOKOYA O A, IICEY D S.Comparison and Analysis of Massive MIMO Linear Precoding Schemes in the Downlink [C] // 2017 IEEE Conference on AFRICON.USA: IEEE, 2017:187-191. DOI: 10.1109/ICC.2012.6364360
[13] SIFAOU H, KAMMOUN A, SANGUINETTI L,et al. Polynomial Expansion of the Precoder for Power Minimization in Large-Scale MIMO Systems[C]// 2016 IEEE International
Conference on Communications (ICC) .USA:IEEE, 2016:1-6. DOI: 10.1109/ICC.2016.7510948
[14] MULLER A, ABLA K A, BJORNSON E. Efficient Linear Precoding for Massive MIMO Systems Using Truncated Polynomial Expansion[C]//Proceedings of the 8th Conference on Sensor Array and Multichannel Signal Processing Workshop (SAM). USA:IEEE, 2014:273-276. DOI: 10.1109/SAM.2014.6882394
[15] CHEN Y, BOUSSAKTA S, TSIMENIDIS C, et al. Low Complexity Hybrid Precoding in Finite Dimensional Channel for Massive MIMO Systems[C]// 2017 European Conference on Signal Processing Conference (EUSIPCO). USA:IEEE, 2017: 883-887.DOI: 10.1109/SAM.2014.6882394
[16] XIA P, HEATH R W, GONZALEZ P N.Robust Analog Precoding Designs for Millimeter Wave MIMO Transceivers [J].IEEE Transactions on Communications,2016, 64(11): 4622-4634. DOI: 10.1109/ICC.2012.6364360
[17] ZHANG S, GUO C, WANG T, et al. On-Off Analog Beamforming for Massive MIMO [J]. IEEE Transactions on Vehicular Technology, 2018, (99): 1-1. DOI: 10.1109/TVT.2018.2789661
[18] ZHANG J, LI H, HUANG X, et al. User-Directed Analog Beamforming for Multiuser Millimeter-Wave Hybrid Array Systems[C]//Proceedings of the 85th Conference on Vehicular Technology Conference (VTC Spring). USA:IEEE, 2017:1-5. DOI: 10.1109/VTCSpring.2017.8108387
[19] MENDEZ R R R, RUSU C, GONZALEZ P N,et al. Hybrid MIMO Architectures for Millimeter Wave Communications: Phase Shifters or Switches[J].IEEE Access, 2016(4):247-267. DOI: 10.1109/ACCESS.2015.2514261
[20] MOLISCH A F, RATNAM V, HAN S, et al.Hybrid Beamforming for Massive MIMO: A Survey [J]. IEEE Communications Magazine,2017,55(9):134-141. DOI: 10.1109/MCOM.2017.1600400
[21] LIANG L, XU W, DONG X. Low-Complexity Hybrid Precoding in Massive Multiuser MIMO Systems [J]. IEEE Wireless Communications Letters, 2014,3(6):653 - 656. DOI: 10.1109/LWC.2014.2363831
[22] TANIGUCHI R, NISHIMORI K, KATAOKA R, et al. Evaluation of Massive MIMO Considering Real Propagation Characteristics in the 20 GHz Band[J].IEEE Transactions on Antennas and Propagation, 2017.65(12):6703 - 6711.DOI: 10.1109/TAP.2017.2754441
[23] ZHANG J, YUAN X, ZHANG Y. Blind Signal Detection in Massive MIMO: Exploiting the Channel Sparsity [J]. IEEE Transaction on Communications, 2017, 66(2): 700 - 712. DOI: 10.1109/TCOMM.2017.2761384
[24] RAO X, LAU V K N. Distributed Compressive CSIT Estimation and Feedback for FDD Multi-User Massive MIMO Systems [J]. IEEE Transaction Signal Process, 2014,62(12):3261-3271
[25] BAJWA W U, HAUPT J, SAYEED A M, et al. Compressed Channel Sensing: A New Approach to Estimating Sparse Multipath Channels [J]. IEEE Proceedings, 2010, 98(6):1058-1076. DOI: 10.1109/JPROC.2010.2042415
[26] MASOOD M, AFIFY L H, Al-NAFFOURI T Y. Efficient Coordinated Recovery of Sparse Channels in Massive MIMO[J]. IEEE Transactions on Signal Processing, 2015, 63 (1):104-118. DOI: 10.1109/TSP.2014.2369005
[27] LIAO A , GAO Z, WU Y. 2D Unitary ESPRIT Based Super-Resolution Channel Estimation for Millimeter-Wave Massive MIMO with Hybrid Precoding [J]. IEEE Access, 2017(5):24747- 24757. DOI:10.1109/ACCESS.2017.2768579
[28] SRIDHAR V, GABILLARD T, MANIKAS A. Spatiotemporal-MIMO Channel Estimator and Beamformer for 5G [J]. IEEE Transaction on Wireless Communications,2016, 15(12):8025 - 8038. DOI: 10.1109/TWC.2016.2610974
[29] AHARON M, ELAD M, BRUCKSTEIN A. KSVD:An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation [J]. IEEE Transaction Signal Process.2006, 54(11):4311-4322. DOI:10.1109/TWC.2016.2610974
[30] MARIA J, BACH F, PONCE J, et al. Online Learning for Matrix Factorization and Sparse Coding [J]. Journal of Machine Learning Research, 2010(11):19-60
[31] PARKER J T, SCHNITER P, CEVHER V.Bilinear Generalized Approximate Message Passing Part I: Derivation [J]. IEEE Transaction on Signal Process, 2014, 62(22):2014. DOI: 10.1109/TSP.2014.2357776

編輯：黃飛