罗德与施瓦茨与Fraunhofer HHI联合实现5G毫米波信道特性测量解决方案

可使网络分析仪扩展到500GHz频段
罗德与施瓦茨公司宣布其新型变频器R&S ZVA-Z500可以使网络分析仪覆盖325GHz到500GHz的频段。

作为测试与测量的专家，罗德与施瓦茨能够提供包括把所有变频模块集成于一体的“交钥匙”解决方案。

R&S ZVA-Z500全频段范围内具有出众的动态范围和突出的功率输出特性，并且可以通过矢网界面进行所有相关参数设置。

新的变频器R&S ZVA-Z500 把高端矢量网络分析仪扩展到325 GHz－500 GHz的频段。

该变频器使毫米波频段的测量动态范围>65 dB(典型值)，输出功率达到-24 dBm（典型值）。

它是毫米波频段（Y波段）的各类器件，天线或者是微波成像等领域的研究和研发的理想测量工具。

新的变频器专为各类民用和军用研究机构，高校以及计量院的需求而量身设计。

R&S ZVA-Z500可以通过WR02波导连接件口与所分析的器件相连，如放大器，混频器，滤波器等。

罗德与施瓦茨的变频器同样可以应用于各类商用晶圆探针台系统中。

该变频器非常简单易用。

可以把R&S ZVA-Z500 直接连接于罗德与施瓦茨的四端口矢量网络分析仪上，而不需要额外的信号源提供其本振信号。

变频器的连接方法可以通过矢量网络分析上的操作对话框进行选择。

所有的关键参数可自动设定，如：所限定的频率范围，射频和本振信号的倍频次数，信号的电平，接收机端口的频率等。

变频器与矢量网络分析仪的操作理念完美匹配。

责任编辑：王莹 2020.65G对测试测量提出了哪些新要求What are the new requirements of 5G for test & measurement张念民 （罗德与施瓦茨（中国）科技有限公司 产品经理）1 无线终端市场的角度在从3G /4G 向5G 的过渡中，移动终端市场呈现出很大的动态变化特性，仅仅在从500MHz ~6GHz 的频率范围内，各种无线终端产品就需要在50多个LTE 频段上支持用户在语音和数据业务上的不同应用；除此之外，Wi -Fi 、UWB 、GPS 、蓝牙等也几乎变成了终端产品的标准配置。

由于这种情况的出现，5G终端设备内使用的滤波器和射频前端模块（RFFE ）通道的数量显著增加了，集成度也达到了空前的高度，多端口滤波器组和RFFE 模块已经成为大批量产的器件。

为了保证这种新型多端口器件的质量，生产测试中的测试项目和性能要求比以往提高了很多。

与此同时，用高速测量速度来保证大批量的产能及由此带来的单个产品测量成本的降低，是生产厂家获得竞争优势的重要考虑。

这导致了生产厂商普遍开始用测量速度更快的多端口矢量网络分析仪外加自动化机械手的测量方法。

2 基站角度大多数5G 基站会使用128（T D D 模式）或132（FDD 模式）个阵元的相控阵MIMO 天线。

相比3G /4G 基站，5G 基站所用天线需要更严格的测试，来保证天线通道之间要求很高的幅度和相位频响特性的一致性以及天线端口间的隔离度。

由于5G 基站的数量将会达罗德与施瓦茨（中国）科技有限公司 产品经理张念民到3G /4G 基站数量的4～5倍，从2020年—2025年，全球每年新增5G 基站的数量可达100万个，这给MIMO 天线的生产测试施加了前所未有的压力。

为了增加产能，MIMO 天线的生产厂家正在不断扩充测试工位的数量；同时，由于在考虑节省生产测试成本的时候不能以牺牲产品的测试质量为代价，矢量网络分析仪原厂配套的多端口开关矩阵已经成为MIMO 天线生产测试中被普遍采纳的方法。

罗德与施瓦茨针对未来移动通信网络提出新的测试方
案
如果使用5G智能手机行人的交通安全是否会得到更好的保护？在
5G网络中残疾人是否可以通过机器人的帮助来学习走路？这些场景将会在2020年下一代移动通信网络正式部署时变为现实。

为了支持开发人员更好的进行5G移动网络相关的研究活动，罗德与施瓦茨公司为客户提供针对毫米波频段的高带宽应用测试方案。

2015年巴塞罗那世界移动通信大会，作为电子技术领域的领导者
罗德与施瓦茨公司将会介绍针对5G网络的测试方案（6号馆，展位C40）。

该测试方案由罗德与施瓦茨公司的矢量信号发生器SMW200A和矢量信号分析仪FSW结合RTO示波器组成。

R&S公司的FSW家族仪表尤其适用于5G移动网络发展过程中遇到的挑战性测试需求。

当FSW加装FSW-B2000选件后，可以提供2GHz 的分析带宽。

同时，FSW67可以使信号分析频率达到67GHz。

doi :10.3969/j.issn.1001-893x.2021.02.020引用格式:罗皓,于秀兰,张祖凡,等.5G 毫米波信道估计研究综述[J].电讯技术,2021,61(2):254-262.[LUO Hao,YU Xiulan,ZHANG Zufan,et al.Channel estimation for 5G mmWave communications systems:a survey[J].Telecommunication Engineering,2021,61(2):254-262.]5G 毫米波信道估计研究综述∗罗㊀皓∗∗,于秀兰,张祖凡,甘臣权(重庆邮电大学通信与信息工程学院,重庆400065)摘㊀要:信道估计是大规模多输入多输出(Multiple -Input Multiple -Output ,MIMO )毫米波(MillimeterWave ,mmWave )系统关键技术之一㊂梳理了近几年大规模MIMO 毫米波的信道估计策略,重点从压缩感知(Compressive Sensing ,CS )㊁参数估计和深度学习三个方面进行了描述与分析㊂通过算法性能的对比,总结了毫米波信道估计目前存在的问题以及未来发展的趋势㊂关键词:大规模MIMO ;毫米波通信;信道估计;压缩感知;参数估计;深度学习开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN911㊀㊀文献标志码:A㊀㊀文章编号:1001-893X (2021)02-0254-09Channel Estimation for 5G mmWave CommunicationsSystems :a SurveyLUO Hao,YU Xiulan,ZHANG Zufan,GAN Chenquan(School of Communication and Information Engineering,Chongqing University of Posts andTelecommunications,Chongqing 400065,China)Abstract :Channel estimation is one of the key techniques of massive multiple -input multiple -output(MI-MO)millimeter wave(mmWave)systems.The channel estimation strategies of massive MIMO mmWave in recent years are combed,focus with on the description and analysis from the three aspects of compressed sensing,parameter estimation,and deep learning.Through performance comparisons of algorithms,the cur-rent problems and the future development trends of mmWave channel estimation are summarized.Key words :massive MIMO;mmWave communication;channel estimation;compressed sensing;parameter estimation;deep learning0㊀引㊀言至今为止,蜂窝通信一直受6GHz 频段限制㊂虽然微波频段具备较好的传输特性,并在现阶段取得了显著的传输效果,但1~2GHz 的频带带宽不足以支持下一代移动通信技术㊂由香农定理可知,增加传输带宽可以增大信道容量,开发新频段无疑是最有效的办法之一㊂30~300GHz 的毫米波(Milli-meter Wave,mmWave)提供远超微波的传输频段,拥有足以支撑起下一代移动通信的带宽,能提供更高的传输速率和更大的吞吐量㊂如今,5G 毫米波技术逐渐成熟,但仍存在技术问题待解决和优化㊂由于毫米波极易受环境影响且存在严重的路径损耗,技术上采用大规模多输入多输出(Multiple -Input Mul-tiple -Output,MIMO)波束成形技术,对传输信号进㊃452㊃第61卷第2期2021年2月电讯技术Telecommunication EngineeringVol.61,No.2February,2021∗∗∗收稿日期:2020-05-21;修回日期:2020-06-28基金项目:国家自然科学基金资助项目(61702066);重庆市自然科学基金项目(cstc2019jcyj -msxmX0681);重庆市教委科学技术重点研究项目(KJZD -M201900601)通信作者:S180101108@行预编码,弥补功率损耗㊂传统预编码技术包括全数字基带预编码和全模拟预编码调制技术㊂其中,全数字预编码要求拥有与天线数目相同的无线射频(Radio Frequency,RF)链,在大规模MIMO毫米波系统中会产生难以承受的硬件成本;模拟采用相位控制,虽然成本低但效果远低于前者,不适用于毫米波㊂研究表明,混合预编码(模拟-数字混合波束成形器)可以较好地结合前两者优点[1-2],以更少的RF获得与全数字预编码器相似的性能㊂在混合预编码器中,拥有准确的信道状态信息(Channel State Information,CSI)和波达角非常重要㊂CSI是连接收发两端的重要桥梁,只有精确CSI条件下,才能够利用大规模MIMO多天线优势提供更多自由度,从而提升信道容量[3]㊂CSI估计通常分为盲估计㊁基于导频估计和半盲估计三类㊂盲估计利用收发信号的二阶统计特性进行信道估计,在实际中往往存在过高的复杂度;基于导频的估计方法通过发送正交导频估计CSI,复杂度较低且实时性强;半盲估计是前两者折中,结合信号二阶统计特性和传输导频精确估计CSI㊂然而在大规模MIMO毫米波通信中,随着大规模MIMO 天线维度增加,获取精确统计信息的难度使盲估计方法受到质疑㊂因此,需要进一步研究不依赖信道统计信息的估计算法㊂基于导频信道的估计算法需要发射端发射训练导频,然而需要导频数目与天线数成正比,并且复用的导频序列会导致导频污染㊂另一方面,传统的CSI估计算法,例如,最小二乘法(Least Squares,LS)和最小均方误差(Minimum Mean Square Error,MMSE)算法不符合大规模MIMO系统,因此非常有必要研究新型的CSI估计算法㊂总之,毫米波与大规模MIMO技术互补带来的巨大优势成为下一代移动通信研究热点,信道估计是技术成熟面临的重大挑战,具有十分重要的学术研究价值㊂1㊀信道估计研究现状1.1㊀基于压缩感知的信道估计2006年,Donoho等人[4]提出压缩感知(Com-pressive Sensing,CS)概念框架,并用数学模型为理论提供支撑㊂压缩感知理论突破了奈奎斯特采样定理对信号维度的限制,避免稀疏信号在奈奎斯特采样时会产生的大量冗余信息,并缓解硬件设备和算法负担㊂压缩感知理论主要包括稀疏变换㊁稀疏测量和重构算法㊂首先根据原始信号选择合适的稀疏域,即在该稀疏基下信号表现为稀疏,经过测量矩阵转化为稀疏信号后,得到非零变换系数较少的矩阵㊂测量矩阵需要满足非相干性和限制等容性,对信号压缩的同时保留原始信号携带的关键信息,为精确重构信号提供基础㊂因此,如何选择稀疏域和测量矩阵是毫米波信道估计的关键㊂根据压缩感知理论,在衍生虚拟信道模型近似实际信道[5]条件下,以导频接收作为测量值,将信道估计等价为稀疏信号恢复问题㊂然而,利用导频测量信号重构信号信道是一个无法直接求解的欠定和非凸问题,存在计算困难和稳定性差等挑战㊂通常解决非凸问题是将其转化为凸问题,近似得到计算值㊂基追踪(BasicPursuit,BP)算法是凸优化中最具有代表性的,通过线性规划的思想,逼近真实值且性能稳定,但复杂度太高,极难运用在采样点多的场景下㊂为解决精准重构和BP算法复杂度高等问题,基于迭代和最小二乘估计的贪婪算法被提出,包括匹配追踪(Matc-hing Pursuit,MP)算法和正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法等㊂另外,依靠稀疏信号先验分布的贝叶斯重构算法也得到大量研究,对重构不确定信号模型的信道矩阵十分有效[6]㊂如今,基于CS的毫米波信道估计已得到大量研究和发展,接下来从解决硬件和环境影响㊁折中精度和复杂度两个方面介绍目前研究现状㊂(1)解决传输环境影响实际中,大规模MIMO毫米波无线传输系统往往受环境和硬件缺陷影响,会出现相位偏差㊁功率丢失㊁硬件损耗等引起的失真问题,需要面向实际情况解决研究信道估计㊂对于mmWave大规模MIMO 频带选择性衰落信道,Gao等人[7]研究出一种基于分布式压缩(Distributed Compressive Sensing,DCS)的信道估计方案,通过分布式网络匹配追踪和自适应测量,得到较好的信道估计结果并成功解决角度功率泄露的问题㊂作者采用内外循环迭代的方式,首先在外循环中估计有效路径的导向矢量和增益,在内循环中采用网格匹追踪配策略,并提出构造自适应完备测量矩阵解决泄露问题㊂同样,为解决到达角/发射角(Angle of Arrival/Angle of Departure, AOA/AOD)造成的功率泄露问题,文献[8]基于全维透镜阵列的mmWave定制全维透镜专用冗余字典,这是全维透镜阵列冗余字典设计的首次尝试㊂另外,文中考虑到传统CS算法不适用于少量或有限RF链的天线切换网络,设计出基于测量矩阵互㊃552㊃第61卷罗皓,于秀兰,张祖凡,等:5G毫米波信道估计研究综述第2期相干性最小准则的专用基带导频序列㊂最后采用传统的OMP算法恢复稀疏信号,得到优于双交叉检查算法[9]和LS算法的估计性能㊂考虑到传输过程中硬件缺陷会导致信号失真,文献[10]在正交频分多路复用技术(Orthogonal Frequency Division Multiple-xing,OFDM)大规模MIMO毫米波系统中提出硬件损耗下信道估计算法㊂文中基于DCS,利用不同子载波频域稀疏性改良现有估计方法,并提出用于压缩后的稀疏信道进行恢复的变分贝叶斯算法,降低导频开销的同时极大提高了信道估计的精度㊂该算法采用身份拒绝策略设计分层信道模型,去除由于硬件缺陷带来的随机离群值,提高了鲁棒性㊂为解决角域中离散角点产生的离网效应,文献[11]通过参数摄动和OMP,提出了一种用于精确估计离网参数和权重的算法㊂算法在连续的AOA/AOD空间运行,避免了网格损失,能够有效的减小重构误差㊂从毫米波硬件带来导频信号相位畸变问题出发,文献[12]利用毫米波部分相干性,即来自不同链路同一时间帧具有相同相干性,提出一种新的网格局部相干压缩感知恢复算法(Partially Coherent Compressive Phase Retrieval,PC-CPR)和离网型PC-CPR㊂算法先用部分相干性初始估计,再通过迭代求精,将估计的每帧共享相位偏移代替以往研究中所有导频的相位,在导频受相位影响情况下得到了较好的估计结果,拥有较强鲁棒性㊂文章研究表明,当RF数量足够大时,部分相干性趋近于全相干性,但在RF小的特殊情况下会受到影响㊂(2)提高精度和优化复杂度CSI是否完整和精确直接影响无线传输系统性能,获得精确估计值一直是CSI估计的重要目标㊂例如,文献[13]通过改进稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法,在OFDM单用户场景下,将信噪比大小考虑到稀疏信道支撑集中,通过优化SAMP迭代步长提高稀疏信道估计的精确度㊂在文献[14]中,作者提出基于多测量矢量模型的稀疏贝叶斯学习信道估计算法,采用不需要信道稀疏度的贝叶斯学习算法,避免了不合适稀疏度带来的性能不稳定㊂文章首先在SV模型的基础上构建多测量矢量模型,然后基于贝叶斯推导出信道元素的后验概率分布,最后使用最大期望算法(Expectation-maximization algorithm,EM)计算后验概率中的超参数,得到明显精度优势的估计结果㊂为进一步提高信道估计的准确性,文献[15]推出透镜天线阵列信道响应和多路径稀疏性特性的联合公式,用EM算法计算公式参数和信道信息㊂该策略得到了较高的恢复精度,但引入了其他信道参数,增加了系统复杂度,在简化参数估计后,复杂度仍然需要优化㊂在文献[16]中,作者提出一种基于贝叶斯匹配追踪(Bayesian Matching Pursuit, BMP)的稀疏信道估计算法㊂算法首先设置稀疏模式,将稀疏信道非零元素假设为特殊的高斯分布,得到统计假设后选取最高后后验概率的稀疏模式估计信道,估计结果优于基于OMP和稀疏贝叶斯的压缩感知算法㊂复杂度是大规模MIMO信道估计的主要问题,高复杂度无疑会使硬件负载过大,处理所耗费的时间更多,影响无线传输性能㊂基于CS的毫米波信道估计虽然利用了信道的稀疏性,但仍需进一步降低复杂㊂研究表明,大规模MIMO毫米波信道不仅在频域有稀疏性,在时域方面也表现稀疏㊂文献[17]联合时域和角域稀疏性设计了特殊的训练模式捕获信道抽头,采用能量检测器识别有效信道抽头,再利用有效抽头的角稀疏估计信道,有效降低了估计计算复杂度㊂该文就低估稀疏性问题提出了一种优于专家经验的选择策略,充分利用稀疏性降低估计复杂度㊂此外,文献[18-19]分别基于贝叶斯CS和动态阈值解决毫米波MIMO信道估计问题,得到了优于传统算法的性能结果㊂大规模毫米波信道稀疏性为基于CS的信道估计算法提供可靠条件,是未来毫米波信道估计最重要研究内容之一㊂1.2㊀基于信道参数的信道估计历史研究结果表明,估计变量的减少会降低误差[20]㊂物理模型下,每个信道路径信息可由角度和增益组成,将CSI估计转化为波达角(Direction of Arrival,DOA)㊁复增益等矢量估计是一种更为直接高效的方法㊂信道参数估计可以避免直接处理大规模MIMO信道矩阵,能有效提高信道估计性能㊂信道参数估计中,DOA估计至关重要㊂传统的DOA估计方法主要包括多重信号分类(Multiple Sig-nal Classification,MUSIC)和旋转不变子空间(Esti-mation of Signal Parameters via Rotation Invariant Technique,ESPRIT)算法㊂MUSIC算法将信号阵列的协方差矩阵进行特征分解,分解空间划分为信号子空间和噪声子空间,再利用两个空间正交性估计接收信号方向参数㊂但MUSIC算法运用场景苛刻,需要同时满足以下条件:阵列为线性阵列,且阵列间距离不超过最小波长的1/2;信道传输噪声为零均值加性高斯白噪声;入射信号必须是互不相干信号,信源数目小于阵列数目㊂ESPRIT是利用接收数据㊃652㊃电讯技术㊀㊀㊀㊀2021年协方差矩阵分解信号子空间的旋转不变性,通常运用在雷达角度估计中㊂由于大规模MIMO毫米波混合预编码结构与传统MIMO和雷达结构完全不同,前两种算法不能直接运用,需要针对大规模MIMO 毫米波传播系统对算法扩展㊂文献[21-22]分别设计了导频传输方案,并提出基于ESPRIT和DOA的信道估计算法㊂考虑毫米波信道角域稀疏性,文献[23]在二维离散变换后,利用离散傅里叶变换后识别的信道峰值初步估计DOA(仰角和方位角),再利用旋转不变法,通过设定不同搜索导向范围,精确DOA范围值,最后采用LS方法细化估计信道增益,计算出信道矩阵㊂信道参数也可以通过迭代方法估计得到㊂信道测量方面,通常基于射线追踪模型得到大量实际接收值,从而估计信道参数和CSI㊂例如,文献[24-25]基于最大似然的空间交替广义期望最大化(Space-Alternating Generalized EM,SAGE)算法在多频段下估计视线(Line of Sight,LOS)和非视线(Non-Line of Sight,NLOS)室内场景的信道参数,包括多路径损耗的延迟㊁角参数㊁增幅等㊂作者通过信道参数估计得到CSI,提出符合测量结果的信道模型㊂其中,SAGE是EM的扩展,将每条路径看作相互独立的传输信道,通过对参数子集分割迭代搜索最大化似然函数的参数㊂在随机信道模型基础下,通常采用SV模型,将CSI简化后转化为信道参数,通过采用迭代等估计信道参数㊂文献[26]提出一种基于迭代指标检测的IDCEA(Index Detection Based Channel Estimation)信道估计算法,从角域出发估计出分离不同强度的信道分量,再依次迭代估计DOA,并采用LS估计每个路径信号的信道增益㊂作者将估计得到的DOA和增益运用到混合预编码,取得了有效的结果㊂另外,文献[27-28]提出两阶段精确信道估计方案,将CS与信道参数估计结合得到精确的CSI㊂基于CS理论初步重构CSI后,采用最大化似然函数迭代更新信道参数(包括AOA㊁AOD和多径振幅),精确已有的信道估计,算法明显提高了估计精度㊂在快速变化的车载蜂窝系统中,文献[29]基于毫米波混合预编码和SV模型提出一种离散傅里叶的噪声消除信道估计算法㊂算法首先采用迭代消除初步估计路径的信道参数,通过能量分析,设置决策阈值提高信道参数估计精度,最后通过参数重构信道矩阵㊂在多路径和时变信道中,该算法能够降低噪声影响,具有较好的信道估计性能㊂但为了保证算法的有效性,判断有效路径采用的阈值设定过大,会引起不必要的复杂计算㊂为降低信道参数估计的巨大开销,文献[30-31]分别提出了基于二阶子空间和基于低秩张量的信道参数估计算法㊂二阶子空间算法采用两阶段顺序估计列序列和行序列,第一阶段通过采样信道矩阵部分列得到信道列子空间,第二阶段利用上一阶段的列子空间训练估计行子空间,减少了信道矩阵的调用次数㊂文献[31]中,作者将OFDM信号训练拟合为带有信道参数的三阶张量,为避免参数初始化和繁琐的迭代过程,提出了基于结构化分解的张量建模和信道参数恢复算法㊂仿真结果表明,两种算法在有效估计信道参数的同时极大地降低了估计复杂度㊂信道参数是CSI具体表现,以往研究表明信道参数估计是为了得到或进一步精确CSI㊂1.3㊀深度学习信道估计传统方法中,无论是压缩感知还是参数估计在获得精确CSI过程中都避免不了高维矩阵分解和迭代计算,很难在性能与复杂度间折中㊂自Hinton[32]指出多隐层神经网络具有强大的特征学习以来,深度学习逐渐成为学术界关注点㊂深度学习通过大量样本训练,能够有效提取数据隐藏特征㊂随着人工智能的发展,深度学习在通信领域已经得到广泛研究,在调制识别㊁信号检测㊁信道估计㊁CSI反馈等关键问题中也得到运用㊂深度学习有多种结构,常用在信道估计中有深度神经网络(Deep Neural Net-work,DNN)㊁卷积神经网络(CNN Convolutional Neu-ral Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)㊂近年来,研究员尝试运用DNN和CNN解决毫米波信道估计问题,并取得了部分成果㊂(1)信道矩阵的二维图像处理在图像处理领域中,深度学习已经得到广泛运用,而大规模MIMO毫米波信道矩阵在波束空间中是二维的,可看作2D图像进行处理㊂Soltani等人[33]将导频信道时频网格的实部和虚部分别看作两个2D图像矩阵,利用图像处理技术和深度学习方法,基于超分辨率(Super-Resolution,SR)和图像修复(Image Restoration,IR)算法提出SRCNN与IRCNN融合卷积神经网络的信道估计算法,结构如图1所示㊂利用插值法得到低分辨率初始信道矩阵,通过SRCNN神经网络提高矩阵分辨率,最后将IRCNN网络作用于去噪,提高信道矩阵精度㊂低信噪比和高信噪比神经网络框架分别在12dB和22dB条件下训练得到,两个模型分别在低和高信噪比区域性能优于MMSE估计㊂但提出的深度学习框架受限于矩阵恢复最优权值输出受信噪比影响和信道环境变化,需要重新训练框架适应新模型和㊃752㊃第61卷罗皓,于秀兰,张祖凡,等:5G毫米波信道估计研究综述第2期不同信噪比㊂图1㊀SRCNN -IRCNN 信道估计模型[33]文献[34-35]在融合图像去噪技术基础上,提出新的大规模MIMO 毫米波CSI 估计算法㊂文献[34]提出一种快速灵活的卷积神经网络,如图2所示㊂文中将信道矩阵看作2D 图像,并将矩阵分块成4个子矩阵,用残差去噪方式先估计噪声值再得到CSI㊂网络通过输入不同水平噪声体现对不同噪声处理的灵活性,但是不同噪声会使神经网络重新进行一次训练㊂后续作者对算法进行改良,利用CBDNet 网络挖掘信道稀疏性和恢复信道,提出用混合神经网络㊁连续非线性输出和损失函数扩大信噪比范围并加速收敛[35]㊂图2㊀快速卷积神经网络信道估计模型[34]在基于透镜天线阵列的大规模MIMO 毫米波传输模型下,文献[36]针对传统LDAMP 算法进行改进,将线下训练好用于去噪的DnCNN 模型镶嵌在LDAMP 架构中,每次迭代的信道矩阵都经过一次去噪,从而更精确恢复信道矩阵㊂其中DnCNN 模型结构类似于图2,通过估计出信道中的噪声矩阵得到去噪信道矩阵㊂(2)信道参数估计文献[37]基于射线追踪模型,将DNN 作为黑盒子代替整个大规模MIMO 传输系统并估计DOA,避免大规模天线中繁琐复杂的特征分解㊂针对不同的信道模型得到接收信号,并以接收信号与随机产生的DOA 作为训练集样本,神经网络训练后输入接收信号输出DOA 估计值,再用DNN 框架提取信号有用特征,由相同神经网络模型估计复增益量,最后由复增益和角度得到信号估计值㊂然而文中将大规模MIMO 系统完全看作一个黑盒子,在编码㊁解码和噪声部分用深度学习框架代替,信号在信源到信宿传播信道过程没有得到具体实现㊂同样,文献[38]讨论将信道估计转为矢量估计,即DOA 估计和复增益估计,可以获得更好的性能,并将信道和由信道产生的接收信号作为训练样本,线下训练DNN 得到DOA 和增益估计值,复用相同深度神经网络框架在低复杂度下得到了优于传统算法的性能㊂(3)其他估计策略为避免采用传统方法附带的高额计算复杂度,文献[39]基于半盲估计提出两阶段神经网络训练信道估计法㊂首先设计DNN 利用导频信息初步估计CSI,将导频信道矩阵作为信道估计第一次迭代值,辅助接收数据进行信道估计,从而提高精确度㊂将信道估计分成两个训练模块,利用神经网络避免天线数对导频长度的约束,这种方法可以提高最低信道传输容量和提升传输效率㊂CSI 准确性一直是估计的重要目标,进一步提高CSI 精确度非常有必要㊂城市微街道非视线场景下,Dong 等人[40]基于导频训练,考虑两个子载波联合信道估计,利用空间和频率相关性进行精确信道估计㊂如图3所示,由于相邻子载波间频率相关性提供额外信息,初步估计CSI 后,将一组相邻子载波的初始信道矩阵输入到CNN,用神经网络深层特征提取优势精确估计CSI㊂CNN 方案明显优于非理性MMSE 估计,近似理想MMSE,且在系统假设下复杂度远低于理想MMSE㊂同样是利用空间和频率相关性,文献[41]提出空间-频率卷积神经网络(Spatial -FrequencyCNN,SF -CNN)算法估计信道,与前者类似,对相邻子载波初始信道矩阵进行卷积㊂其后,作者提出空间-频率-时间CNN (Spatial -Frequency -Temporal CNN,SFT -CNN),将时间相关性融合到SF -CNN 中,以减轻导频开销㊂具体地,在时变SV 模型条件下,每4个连续相干区间认为一个单元,第一个单元添加导频信号,相干区间通过相关性估计后续无导频信道㊂算法减少能导频开销,有效避免导频污染㊂图3㊀频率相关CNN 联合信道估计模型[40]㊃852㊃ 电讯技术㊀㊀㊀㊀2021年(4)基于深度学习的毫米波信道估计总结深度学习在毫米波信道估计中仅处于初步探索阶段,表1对基于深度学习的毫米波信道估计技术进行了总结㊂表1㊀基于深度学习的毫米波信道估计总结文献算法模型理论依据优势不足[33]SRCNN-IRCNN图像精确和去噪技术融合图像处理提高精度,复杂度低信噪比对模型性能会产生影响[34-35]FFDNetCBDNet图像残差去噪灵活处理不同噪声不同噪声需要另外训练,开销大[36]LDAMP-DnCNN近似消息传递和残差去噪改进LDAMP算法,提高精确度收敛于五层之内,依然需要迭代[37]DNN信道参数估计精确估计信道参数DNN代替整个传输系统[38]DNN信道参数估计精确估计增益和角度需要精确的模型支持[39]Two Stage半盲估计避免天线对导频约束,效率高DNN和迭代技术融合,较复杂[40]CNN空间和频率相关性减少计算,利用相邻子载波提高精度信道矩阵预处理,输入维数与天线成正比[41]SFT-CNN空间㊁频率和时间相关性降低复杂度,减少导频开销,减轻导频污染实际时变系统中盲估计下一时刻CSI值不准确1.4㊀毫米波信道估计总结根据1.1~1.3节对相关文献研究的分析,表2总结了基于压缩感知的信道估计㊁基于参数估计的信道估计和基于深度学习的信道估计策略的优缺点㊂表2㊀毫米波信道估计方法总结毫米波信道估计策略文献优点缺点基于压缩感知的信道估计针对环境影响[7-11]相位偏差㊁角度功率泄露㊁网格效应和频率偏移下能取得较好性能复杂度较高,没有考虑足够稀疏度优化精度和复杂度[13-19]信道估计精度较高;考虑信道稀疏性降低复杂度难以在精确度与复杂度之间折中基于参数估计的信道估计传统参数估计[21-22]方法简便成熟大多不适合毫米波混合预编码信道模型迭代估计参数[24-29]参数估计和信道矩阵重构精度高迭代复杂度高;没有充分利用稀疏特性训练传输信号估计参数[30-31]避免多次迭代,复杂度较低不精准的抽样矩阵和特殊的训练信号降低了系统性能基于深度学习的信道估计二维图像估计[33-36]信道参数估计[37-38]其他估计策略[39-41]充分利用深度学习提取特征;避免了传统方法复杂数学计算;固定输入变量不需要统计信息神经网络模型暂不能通用解决毫米波信道估计;训练数据集需求大,训练耗费时间长2㊀发展趋势和展望在毫米波通信系统中,随着天线部署数量不断增加,获得精确信道状态响应信息也变得更加复杂和困难,传统信道估计算法已不再适用,如何低复杂度地精确估计CSI是毫米波通信的研究热点和难点㊂毫米波信道特有的稀疏性为信道估计带来了新希望,基于CS的稀疏信道估计成为毫米波信道估计研究热点㊂但基于CS的毫米波信道估计仍处于理论研究阶段,存在不少问题,包括对信道稀疏度判断问题㊂目前信道稀疏度通常采用经验假设,由于㊃952㊃第61卷罗皓,于秀兰,张祖凡,等:5G毫米波信道估计研究综述第2期。

罗德与施瓦茨、iBwave和Anokiwave这三家公司已经计划、实施并测试了室内5GNR网络
 作为德国慕尼黑罗德与施瓦茨公司总部5G专家日的一部分，罗德与施瓦茨、iBwave和Anokiwave这三家公司已经计划、实施并测试了室内5GNR网络。

该网络是在26GHz的毫米波实验频率上部署的。

 2018年12月19日，慕尼黑——5GNR的商业实验网测试目前正在几个
国家进行，主要是在室外环境测试。

而对于室内网络测试，特别是在毫米波频率范围，仍然很少见。

 5G 专家日的5G NR网络是由网络规划的领导者iBwave部署的。

在这个网络环境中，R&S SMW200A信号发生器通过由Anokiwave提供的24/26GHz有源天线组件传输5G NR信号，并控制各个波束。

测试是使用业界第一个商用5G NR网络测量解决方案来评估网络的性能，包括带有集成PC的自主5G NR扫频仪R&S TSMA6、涵盖28GHz频带的下变频器R&S TSME30DC以及安装在背包中的R&S ROMES4测试软件。

利用R&S ROMES4软件对不同波束的覆盖情况进行了分析，并与基于室内环境建模的iBwave网络规划和仿真进行了比较。

罗德与施瓦茨,5G测试解决方案罗德施瓦茨4G改变生活，5G改变社会，5G已渗透到社会的各个方面。

ITU定义的5G三大应用方向赋予了未来各种应用的可能。

3GPP标准组织在2017年12月份完成了Rel.15非独立组网NSA标准制定，2018年6月完成了SA独立组网标准的同时启动了Rel.16标准化工作。

2019年6月，工信部向四个运营商发放5G牌照，这标志着我国正式进入5G商用元年，同年10月31日三大运营商正式提供5G商用服务。

2020年新基建助力5G建设。

罗德与施瓦茨公司（以下简称“R&S 公司”）作为移动通信领域的市场领先供应商，为5G FR1/FR2提供了完整的测试解决方案，包括了基站研发和生产，终端研发、生产和认证，以及网络部署之后的覆盖测试和性能评估。

5G基站研发和生产2.1芯片和元器件测试5G关键技术包括了高带宽、Massive MIMO、毫米波等，新技术带来了对高性能频综、高速ADC/DAC、高效功放、还有毫米波波束成形器等关键芯片的测试需求。

5G基站频综的相噪测试需要高性能的相噪分析仪，R&S FSWP提供了单机高达50GHz 的最高测量频率，并具备-172dBc/Hz的优异相噪，结合用于做频综参考的R&S模拟源SMA100B卓越的相噪水平-152dBc/Hz，确保了测量得到器件最真实的相噪水平。

基站普通采用Doherty功放技术，最高效率接近50%，目前新技术在研包括双输入Doherty、包络跟踪（ET）和异相Outphasing等，R&S SMW200A单表支持相参的两路宽带调制输出，也支持射频与包络信号同时输出，满足下一代功放预研需求。

5G毫米波采用的混合波束赋形技术使5G基站增加了波束成形器这一芯片，通过对多个通道幅相设置可实现对波束指向的灵活控制。

真8/12（或最多24）端口网分ZNBT40 GHz支持对常见的1分4/8波束成形芯片实现快速的幅相测量。

罗德与施瓦茨展示全面的微波毫米波测量解决方案
佚名
【期刊名称】《电信网技术》
【年(卷),期】2012(000)009
【摘要】罗德与施瓦茨（R＆S）公司基于近80年的行业测试经验，不断针对射频微波。

移动通信及通用电子提供全新的测量解决方案，引导着技术发展的方向。

在2012年9月18—20日的南京天线与微波展览会上．R＆S公司全面展示了高达500GHz的微波毫米波测试仪表和解决方案，其中包括频谱仪，信号源，网络分析仪，功率计，示波器。

【总页数】1页(P76-76)
【正文语种】中文
【中图分类】TN73
【相关文献】
1.罗德与施瓦茨驾驭超越500GHz之微波毫米波测量 [J],
2.罗德与施瓦茨全面的微波毫米波测量解决方案 [J],
3.罗德与施瓦茨全面的微波毫米波测量解决方案 [J],
4.罗德与施瓦茨展示其全面领先的测试与测量解决方案 [J],
5.罗德与施瓦茨为车载雷达回波生成和雷达罩测量提供的全新解决方案将在2017年欧洲微波周(EuMW)展示 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。

《毫米波大规模MIMO系统中信道估计研究》篇一一、引言随着无线通信技术的飞速发展，毫米波大规模MIMO （Multiple Input Multiple Output）系统因其高带宽、高数据传输速率和良好的频谱效率等优势，在5G及未来通信网络中扮演着重要角色。

然而，在毫米波大规模MIMO系统中，由于信号传播的复杂性以及高频段的特性，信道估计成为了一个重要的研究课题。

本文旨在研究毫米波大规模MIMO系统中的信道估计技术，为提高系统性能和可靠性提供理论支持。

二、毫米波大规模MIMO系统概述毫米波大规模MIMO系统利用毫米波频段的信号进行数据传输，通过在基站和移动设备上部署大量天线来实现多输入多输出的效果。

这种系统具有高带宽、高数据传输速率和良好的频谱效率等优点，可满足未来无线通信的高需求。

然而，由于毫米波信号的传播特性以及大规模MIMO系统的复杂性，信道估计成为了关键的技术挑战。

三、信道估计的重要性信道估计是毫米波大规模MIMO系统中的重要环节，它直接影响着系统的性能和可靠性。

信道估计的主要任务是通过接收到的信号估计出信道的特性，如信道冲激响应、多径传播等。

准确的信道估计有助于提高系统的频谱效率和数据传输速率，降低误码率，从而提高系统的整体性能。

四、信道估计技术研究针对毫米波大规模MIMO系统的信道估计，本文提出以下几种技术：1. 基于压缩感知的信道估计：压缩感知是一种有效的信号处理技术，可以在低信噪比环境下实现准确的信道估计。

通过利用毫米波信道的稀疏特性，将信道估计问题转化为稀疏信号恢复问题，从而提高信道估计的准确性。

2. 联合估计与均衡技术：在毫米波大规模MIMO系统中，由于多径传播和信号干扰等因素的影响，单纯的信道估计可能无法满足系统的需求。

因此，本文提出了一种联合估计与均衡技术，通过同时进行信道估计和信号均衡，提高系统的性能和可靠性。

3. 深度学习在信道估计中的应用：深度学习在无线通信领域具有广泛的应用前景。