基于深度学习的1-比特超大规模MIMO信道估计

超大规模多输入多输出(Multiple Input Multiple Output,MIMO)技术在未来的移动通信中具有巨大的潜力.然而,采用超大型的天线阵列会出现空间非平稳性信道特征,如果为基站的每根天线都配备一个高精度量化器,系统功耗将大幅度增加,从而阻碍超大规模MIMO系统的广泛应用.因此,假设基站的每根天线都配备有一对1-比特模数转换器(Analog-to-Digital Converters,ADC),利用子阵列与用户之间的映射关系来描述非平稳信道特征,借助深度神经网络(Deep Neural Network,DNN)强大的泛化能力,设计一种新的生成式监督DNN模型,该模型可以使用合理数量的导频进行训练.仿真结果表明,所提出的网络可以使用较少的导频得到较好的估计性能,在性能与计算复杂度之间取得良好的平衡.