5G毫米波信道估計研究綜述*

羅 皓，于秀蘭，張祖凡，甘臣權

(重慶郵電大學 通信與信息工程學院，重慶 400065)

0 引 言

至今為止，蜂窩通信一直受6 GHz頻段限制。雖然微波頻段具備較好的傳輸特性，并在現階段取得了顯著的傳輸效果，但1～2 GHz的頻帶帶寬不足以支持下一代移動通信技術。由香農定理可知，增加傳輸帶寬可以增大信道容量，開發新頻段無疑是最有效的辦法之一。30～300 GHz的毫米波(Millimeter Wave,mmWave)提供遠超微波的傳輸頻段，擁有足以支撐起下一代移動通信的帶寬，能提供更高的傳輸速率和更大的吞吐量。如今，5G毫米波技術逐漸成熟，但仍存在技術問題待解決和優化。由于毫米波極易受環境影響且存在嚴重的路徑損耗，技術上采用大規模多輸入多輸出(Multiple-Input Multiple-Output,MIMO)波束成形技術，對傳輸信號進行預編碼，彌補功率損耗。傳統預編碼技術包括全數字基帶預編碼和全模擬預編碼調制技術。其中，全數字預編碼要求擁有與天線數目相同的無線射頻(Radio Frequency,RF)鏈，在大規模MIMO毫米波系統中會產生難以承受的硬件成本；模擬采用相位控制，雖然成本低但效果遠低于前者，不適用于毫米波。研究表明，混合預編碼(模擬-數字混合波束成形器)可以較好地結合前兩者優點[1-2]，以更少的RF獲得與全數字預編碼器相似的性能。在混合預編碼器中，擁有準確的信道狀態信息(Channel State Information,CSI)和波達角非常重要。CSI是連接收發兩端的重要橋梁，只有精確CSI條件下，才能夠利用大規模MIMO多天線優勢提供更多自由度，從而提升信道容量[3]。

CSI估計通常分為盲估計、基于導頻估計和半盲估計三類。盲估計利用收發信號的二階統計特性進行信道估計，在實際中往往存在過高的復雜度；基于導頻的估計方法通過發送正交導頻估計CSI，復雜度較低且實時性強；半盲估計是前兩者折中，結合信號二階統計特性和傳輸導頻精確估計CSI。然而在大規模MIMO毫米波通信中，隨著大規模MIMO天線維度增加，獲取精確統計信息的難度使盲估計方法受到質疑。因此，需要進一步研究不依賴信道統計信息的估計算法?；趯ьl信道的估計算法需要發射端發射訓練導頻，然而需要導頻數目與天線數成正比，并且復用的導頻序列會導致導頻污染。另一方面，傳統的CSI估計算法，例如，最小二乘法(Least Squares,LS)和最小均方誤差(Minimum Mean Square Error,MMSE)算法不符合大規模MIMO系統，因此非常有必要研究新型的CSI估計算法?？傊?，毫米波與大規模MIMO技術互補帶來的巨大優勢成為下一代移動通信研究熱點，信道估計是技術成熟面臨的重大挑戰，具有十分重要的學術研究價值。

1 信道估計研究現狀

1.1 基于壓縮感知的信道估計

2006年，Donoho等人[4]提出壓縮感知(Compressive Sensing,CS)概念框架，并用數學模型為理論提供支撐。壓縮感知理論突破了奈奎斯特采樣定理對信號維度的限制，避免稀疏信號在奈奎斯特采樣時會產生的大量冗余信息，并緩解硬件設備和算法負擔。

壓縮感知理論主要包括稀疏變換、稀疏測量和重構算法。首先根據原始信號選擇合適的稀疏域，即在該稀疏基下信號表現為稀疏，經過測量矩陣轉化為稀疏信號后，得到非零變換系數較少的矩陣。測量矩陣需要滿足非相干性和限制等容性，對信號壓縮的同時保留原始信號攜帶的關鍵信息，為精確重構信號提供基礎。因此，如何選擇稀疏域和測量矩陣是毫米波信道估計的關鍵。根據壓縮感知理論，在衍生虛擬信道模型近似實際信道[5]條件下，以導頻接收作為測量值，將信道估計等價為稀疏信號恢復問題。然而，利用導頻測量信號重構信號信道是一個無法直接求解的欠定和非凸問題，存在計算困難和穩定性差等挑戰。通常解決非凸問題是將其轉化為凸問題，近似得到計算值?；粉?Basic Pursuit,BP)算法是凸優化中最具有代表性的，通過線性規劃的思想，逼近真實值且性能穩定，但復雜度太高，極難運用在采樣點多的場景下。為解決精準重構和BP算法復雜度高等問題，基于迭代和最小二乘估計的貪婪算法被提出，包括匹配追蹤(Matching Pursuit,MP)算法和正交匹配追蹤(Orthogonal Matching Pursuit,OMP)算法等。另外，依靠稀疏信號先驗分布的貝葉斯重構算法也得到大量研究，對重構不確定信號模型的信道矩陣十分有效[6]。

如今，基于CS的毫米波信道估計已得到大量研究和發展，接下來從解決硬件和環境影響、折中精度和復雜度兩個方面介紹目前研究現狀。

(1)解決傳輸環境影響

實際中，大規模MIMO毫米波無線傳輸系統往往受環境和硬件缺陷影響，會出現相位偏差、功率丟失、硬件損耗等引起的失真問題，需要面向實際情況解決研究信道估計。對于mmWave大規模MIMO頻帶選擇性衰落信道，Gao等人[7]研究出一種基于分布式壓縮(Distributed Compressive Sensing,DCS)的信道估計方案，通過分布式網絡匹配追蹤和自適應測量，得到較好的信道估計結果并成功解決角度功率泄露的問題。作者采用內外循環迭代的方式，首先在外循環中估計有效路徑的導向矢量和增益，在內循環中采用網格匹追蹤配策略，并提出構造自適應完備測量矩陣解決泄露問題。同樣，為解決到達角/發射角(Angle of Arrival/Angle of Departure,AOA/AOD)造成的功率泄露問題，文獻[8]基于全維透鏡陣列的mmWave定制全維透鏡專用冗余字典，這是全維透鏡陣列冗余字典設計的首次嘗試。另外，文中考慮到傳統CS算法不適用于少量或有限RF鏈的天線切換網絡，設計出基于測量矩陣互相干性最小準則的專用基帶導頻序列。最后采用傳統的OMP算法恢復稀疏信號，得到優于雙交叉檢查算法[9]和LS算法的估計性能?？紤]到傳輸過程中硬件缺陷會導致信號失真，文獻[10]在正交頻分多路復用技術(Orthogonal Frequency Division Multiplexing,OFDM)大規模MIMO毫米波系統中提出硬件損耗下信道估計算法。文中基于DCS，利用不同子載波頻域稀疏性改良現有估計方法，并提出用于壓縮后的稀疏信道進行恢復的變分貝葉斯算法，降低導頻開銷的同時極大提高了信道估計的精度。該算法采用身份拒絕策略設計分層信道模型，去除由于硬件缺陷帶來的隨機離群值，提高了魯棒性。為解決角域中離散角點產生的離網效應，文獻[11]通過參數攝動和OMP，提出了一種用于精確估計離網參數和權重的算法。算法在連續的AOA/AOD空間運行，避免了網格損失，能夠有效的減小重構誤差。從毫米波硬件帶來導頻信號相位畸變問題出發，文獻[12]利用毫米波部分相干性，即來自不同鏈路同一時間幀具有相同相干性，提出一種新的網格局部相干壓縮感知恢復算法(Partially Coherent Compressive Phase Retrieval,PC-CPR)和離網型PC-CPR。算法先用部分相干性初始估計，再通過迭代求精，將估計的每幀共享相位偏移代替以往研究中所有導頻的相位，在導頻受相位影響情況下得到了較好的估計結果，擁有較強魯棒性。文章研究表明，當RF數量足夠大時，部分相干性趨近于全相干性，但在RF小的特殊情況下會受到影響。

(2)提高精度和優化復雜度

CSI是否完整和精確直接影響無線傳輸系統性能，獲得精確估計值一直是CSI估計的重要目標。例如，文獻[13]通過改進稀疏度自適應匹配追蹤(Sparsity Adaptive Matching Pursuit,SAMP)算法，在OFDM單用戶場景下，將信噪比大小考慮到稀疏信道支撐集中，通過優化SAMP迭代步長提高稀疏信道估計的精確度。在文獻[14]中，作者提出基于多測量矢量模型的稀疏貝葉斯學習信道估計算法，采用不需要信道稀疏度的貝葉斯學習算法，避免了不合適稀疏度帶來的性能不穩定。文章首先在SV模型的基礎上構建多測量矢量模型，然后基于貝葉斯推導出信道元素的后驗概率分布，最后使用最大期望算法(Expectation-maximization algorithm,EM)計算后驗概率中的超參數，得到明顯精度優勢的估計結果。為進一步提高信道估計的準確性，文獻[15]推出透鏡天線陣列信道響應和多路徑稀疏性特性的聯合公式，用EM算法計算公式參數和信道信息。該策略得到了較高的恢復精度，但引入了其他信道參數，增加了系統復雜度，在簡化參數估計后，復雜度仍然需要優化。在文獻[16]中，作者提出一種基于貝葉斯匹配追蹤(Bayesian Matching Pursuit,BMP)的稀疏信道估計算法。算法首先設置稀疏模式，將稀疏信道非零元素假設為特殊的高斯分布，得到統計假設后選取最高后后驗概率的稀疏模式估計信道，估計結果優于基于OMP和稀疏貝葉斯的壓縮感知算法。復雜度是大規模MIMO信道估計的主要問題，高復雜度無疑會使硬件負載過大，處理所耗費的時間更多，影響無線傳輸性能?；贑S的毫米波信道估計雖然利用了信道的稀疏性，但仍需進一步降低復雜。研究表明，大規模MIMO毫米波信道不僅在頻域有稀疏性，在時域方面也表現稀疏。文獻[17]聯合時域和角域稀疏性設計了特殊的訓練模式捕獲信道抽頭，采用能量檢測器識別有效信道抽頭，再利用有效抽頭的角稀疏估計信道，有效降低了估計計算復雜度。該文就低估稀疏性問題提出了一種優于專家經驗的選擇策略，充分利用稀疏性降低估計復雜度。此外，文獻[18-19]分別基于貝葉斯CS和動態閾值解決毫米波MIMO信道估計問題，得到了優于傳統算法的性能結果。

大規模毫米波信道稀疏性為基于CS的信道估計算法提供可靠條件，是未來毫米波信道估計最重要研究內容之一。

1.2 基于信道參數的信道估計

歷史研究結果表明，估計變量的減少會降低誤差[20]。物理模型下，每個信道路徑信息可由角度和增益組成，將CSI估計轉化為波達角(Direction of Arrival,DOA)、復增益等矢量估計是一種更為直接高效的方法。信道參數估計可以避免直接處理大規模MIMO信道矩陣，能有效提高信道估計性能。

信道參數估計中，DOA估計至關重要。傳統的DOA估計方法主要包括多重信號分類(Multiple Signal Classification,MUSIC)和旋轉不變子空間(Estimation of Signal Parameters via Rotation Invariant Technique，ESPRIT)算法。MUSIC算法將信號陣列的協方差矩陣進行特征分解，分解空間劃分為信號子空間和噪聲子空間，再利用兩個空間正交性估計接收信號方向參數。但MUSIC算法運用場景苛刻，需要同時滿足以下條件：陣列為線性陣列，且陣列間距離不超過最小波長的1/2；信道傳輸噪聲為零均值加性高斯白噪聲；入射信號必須是互不相干信號，信源數目小于陣列數目。ESPRIT是利用接收數據協方差矩陣分解信號子空間的旋轉不變性，通常運用在雷達角度估計中。由于大規模MIMO毫米波混合預編碼結構與傳統MIMO和雷達結構完全不同，前兩種算法不能直接運用，需要針對大規模MIMO毫米波傳播系統對算法擴展。文獻[21-22]分別設計了導頻傳輸方案，并提出基于ESPRIT和DOA的信道估計算法?？紤]毫米波信道角域稀疏性，文獻[23]在二維離散變換后，利用離散傅里葉變換后識別的信道峰值初步估計DOA(仰角和方位角)，再利用旋轉不變法，通過設定不同搜索導向范圍，精確DOA范圍值，最后采用LS方法細化估計信道增益，計算出信道矩陣。

信道參數也可以通過迭代方法估計得到。信道測量方面，通?；谏渚€追蹤模型得到大量實際接收值，從而估計信道參數和CSI。例如，文獻[24-25]基于最大似然的空間交替廣義期望最大化(Space-Alternating Generalized EM,SAGE)算法在多頻段下估計視線(Line of Sight,LOS)和非視線(Non-Line of Sight,NLOS)室內場景的信道參數，包括多路徑損耗的延遲、角參數、增幅等。作者通過信道參數估計得到CSI，提出符合測量結果的信道模型。其中，SAGE是EM的擴展，將每條路徑看作相互獨立的傳輸信道，通過對參數子集分割迭代搜索最大化似然函數的參數。在隨機信道模型基礎下，通常采用SV模型，將CSI簡化后轉化為信道參數，通過采用迭代等估計信道參數。文獻[26]提出一種基于迭代指標檢測的IDCEA(Index Detection Based Channel Estimation)信道估計算法，從角域出發估計出分離不同強度的信道分量，再依次迭代估計DOA，并采用LS估計每個路徑信號的信道增益。作者將估計得到的DOA和增益運用到混合預編碼，取得了有效的結果。另外，文獻[27-28]提出兩階段精確信道估計方案，將CS與信道參數估計結合得到精確的CSI?；贑S理論初步重構CSI后，采用最大化似然函數迭代更新信道參數(包括AOA、AOD和多徑振幅)，精確已有的信道估計，算法明顯提高了估計精度。在快速變化的車載蜂窩系統中，文獻[29]基于毫米波混合預編碼和SV模型提出一種離散傅里葉的噪聲消除信道估計算法。算法首先采用迭代消除初步估計路徑的信道參數，通過能量分析，設置決策閾值提高信道參數估計精度，最后通過參數重構信道矩陣。在多路徑和時變信道中，該算法能夠降低噪聲影響，具有較好的信道估計性能。但為了保證算法的有效性，判斷有效路徑采用的閾值設定過大，會引起不必要的復雜計算。為降低信道參數估計的巨大開銷，文獻[30-31]分別提出了基于二階子空間和基于低秩張量的信道參數估計算法。二階子空間算法采用兩階段順序估計列序列和行序列，第一階段通過采樣信道矩陣部分列得到信道列子空間，第二階段利用上一階段的列子空間訓練估計行子空間，減少了信道矩陣的調用次數。文獻[31]中，作者將OFDM信號訓練擬合為帶有信道參數的三階張量，為避免參數初始化和繁瑣的迭代過程，提出了基于結構化分解的張量建模和信道參數恢復算法。仿真結果表明，兩種算法在有效估計信道參數的同時極大地降低了估計復雜度。

信道參數是CSI具體表現，以往研究表明信道參數估計是為了得到或進一步精確CSI。

1.3 深度學習信道估計

傳統方法中，無論是壓縮感知還是參數估計在獲得精確CSI過程中都避免不了高維矩陣分解和迭代計算，很難在性能與復雜度間折中。自Hinton[32]指出多隱層神經網絡具有強大的特征學習以來，深度學習逐漸成為學術界關注點。深度學習通過大量樣本訓練，能夠有效提取數據隱藏特征。隨著人工智能的發展，深度學習在通信領域已經得到廣泛研究，在調制識別、信號檢測、信道估計、CSI反饋等關鍵問題中也得到運用。深度學習有多種結構，常用在信道估計中有深度神經網絡(Deep Neural Network,DNN)、卷積神經網絡(CNN Convolutional Neural Network,CNN)和循環神經網絡(Recurrent Neural Network,RNN)。近年來，研究員嘗試運用DNN和CNN解決毫米波信道估計問題，并取得了部分成果。

(1)信道矩陣的二維圖像處理

在圖像處理領域中，深度學習已經得到廣泛運用，而大規模MIMO毫米波信道矩陣在波束空間中是二維的，可看作2D圖像進行處理。Soltani等人[33]將導頻信道時頻網格的實部和虛部分別看作兩個2D圖像矩陣，利用圖像處理技術和深度學習方法，基于超分辨率(Super-Resolution,SR)和圖像修復(Image Restoration,IR)算法提出SRCNN與IRCNN融合卷積神經網絡的信道估計算法，結構如圖1所示。利用插值法得到低分辨率初始信道矩陣，通過SRCNN神經網絡提高矩陣分辨率，最后將IRCNN網絡作用于去噪，提高信道矩陣精度。低信噪比和高信噪比神經網絡框架分別在12 dB和22 dB條件下訓練得到，兩個模型分別在低和高信噪比區域性能優于MMSE估計。但提出的深度學習框架受限于矩陣恢復最優權值輸出受信噪比影響和信道環境變化，需要重新訓練框架適應新模型和不同信噪比。

圖1 SRCNN-IRCNN信道估計模型[33]

文獻[34-35]在融合圖像去噪技術基礎上，提出新的大規模MIMO毫米波CSI估計算法。文獻[34]提出一種快速靈活的卷積神經網絡，如圖2所示。文中將信道矩陣看作2D圖像，并將矩陣分塊成4個子矩陣，用殘差去噪方式先估計噪聲值再得到CSI。網絡通過輸入不同水平噪聲體現對不同噪聲處理的靈活性，但是不同噪聲會使神經網絡重新進行一次訓練。后續作者對算法進行改良，利用CBDNet網絡挖掘信道稀疏性和恢復信道，提出用混合神經網絡、連續非線性輸出和損失函數擴大信噪比范圍并加速收斂[35]。

圖2 快速卷積神經網絡信道估計模型[34]

在基于透鏡天線陣列的大規模MIMO毫米波傳輸模型下，文獻[36]針對傳統LDAMP算法進行改進，將線下訓練好用于去噪的DnCNN模型鑲嵌在LDAMP架構中，每次迭代的信道矩陣都經過一次去噪，從而更精確恢復信道矩陣。其中DnCNN模型結構類似于圖2，通過估計出信道中的噪聲矩陣得到去噪信道矩陣。

(2)信道參數估計

文獻[37]基于射線追蹤模型，將DNN作為黑盒子代替整個大規模MIMO傳輸系統并估計DOA，避免大規模天線中繁瑣復雜的特征分解。針對不同的信道模型得到接收信號，并以接收信號與隨機產生的DOA作為訓練集樣本，神經網絡訓練后輸入接收信號輸出DOA估計值，再用DNN框架提取信號有用特征，由相同神經網絡模型估計復增益量，最后由復增益和角度得到信號估計值。然而文中將大規模MIMO系統完全看作一個黑盒子，在編碼、解碼和噪聲部分用深度學習框架代替，信號在信源到信宿傳播信道過程沒有得到具體實現。同樣，文獻[38]討論將信道估計轉為矢量估計，即DOA估計和復增益估計，可以獲得更好的性能，并將信道和由信道產生的接收信號作為訓練樣本，線下訓練DNN得到DOA和增益估計值，復用相同深度神經網絡框架在低復雜度下得到了優于傳統算法的性能。

(3)其他估計策略

為避免采用傳統方法附帶的高額計算復雜度，文獻[39]基于半盲估計提出兩階段神經網絡訓練信道估計法。首先設計DNN利用導頻信息初步估計CSI，將導頻信道矩陣作為信道估計第一次迭代值，輔助接收數據進行信道估計，從而提高精確度。將信道估計分成兩個訓練模塊，利用神經網絡避免天線數對導頻長度的約束，這種方法可以提高最低信道傳輸容量和提升傳輸效率。CSI準確性一直是估計的重要目標，進一步提高CSI精確度非常有必要。城市微街道非視線場景下，Dong等人[40]基于導頻訓練，考慮兩個子載波聯合信道估計，利用空間和頻率相關性進行精確信道估計。如圖3所示，由于相鄰子載波間頻率相關性提供額外信息，初步估計CSI后，將一組相鄰子載波的初始信道矩陣輸入到CNN，用神經網絡深層特征提取優勢精確估計CSI。CNN方案明顯優于非理性MMSE估計，近似理想MMSE，且在系統假設下復雜度遠低于理想MMSE。同樣是利用空間和頻率相關性，文獻[41]提出空間-頻率卷積神經網絡(Spatial-Frequency CNN,SF-CNN)算法估計信道，與前者類似，對相鄰子載波初始信道矩陣進行卷積。其后，作者提出空間-頻率-時間CNN(Spatial-Frequency-Temporal CNN,SFT-CNN)，將時間相關性融合到SF-CNN中，以減輕導頻開銷。具體地，在時變SV模型條件下，每4個連續相干區間認為一個單元，第一個單元添加導頻信號，相干區間通過相關性估計后續無導頻信道。算法減少能導頻開銷，有效避免導頻污染。

圖3 頻率相關CNN聯合信道估計模型[40]

(4)基于深度學習的毫米波信道估計總結

深度學習在毫米波信道估計中僅處于初步探索階段，表1對基于深度學習的毫米波信道估計技術進行了總結。

表1 基于深度學習的毫米波信道估計總結

1.4 毫米波信道估計總結

根據1.1～1.3節對相關文獻研究的分析，表2總結了基于壓縮感知的信道估計、基于參數估計的信道估計和基于深度學習的信道估計策略的優缺點。

表2 毫米波信道估計方法總結

2 發展趨勢和展望

在毫米波通信系統中，隨著天線部署數量不斷增加，獲得精確信道狀態響應信息也變得更加復雜和困難，傳統信道估計算法已不再適用，如何低復雜度地精確估計CSI是毫米波通信的研究熱點和難點。

毫米波信道特有的稀疏性為信道估計帶來了新希望，基于CS的稀疏信道估計成為毫米波信道估計研究熱點。但基于CS的毫米波信道估計仍處于理論研究階段，存在不少問題，包括對信道稀疏度判斷問題。目前信道稀疏度通常采用經驗假設，由于害怕稀疏度估計過低而導致信息丟失，往往會假設充裕的稀疏度。雖然這種方式可以降低估計風險，但增加了估計復雜度，如何準確估計信道的稀疏度是CS估計算法中需要解決的問題之一。另外，大量信道估計研究基于角度稀疏，而忽略了時域稀疏性。文獻[17]初步嘗試將角域和時域的稀疏性結合，通過時域抽頭檢測有用信號，能夠在有效恢復CSI的同時下降低估計復雜度。但文中基于信噪比大于一的二元假設檢驗識別有效信號，適用于能量較大的通信場景，容易忽略由于嚴重噪聲或多徑效應產生的弱信號，從而導致信息丟失。因此，在雷達、非視距或距離相對較遠的傳播條件下，有效識別弱信號抽頭是值得考慮的。采用CS算法是為了充分利用毫米波信道稀疏性降低大規模天線引起的高復雜度，但在稀疏信號重構算法中都涉及到了大量內積和矩陣求逆等運算，如何降低復雜度依然是未來研究的關鍵問題。由于傳播環境存在聚類現象，毫米波MIMO信道可以近似為低秩信道，例如，文獻[42]嘗試利用非信道稀疏結構能獲得更好的性能。不同于稀疏性，低秩結構可用訓練塊將真實信道矩陣變換為低秩矩陣，通過重構低秩矩陣得到估計結果，也是未來發展趨勢之一。

基于深度學習的毫米波信道估計是一種新穎的估計算法，能夠有效避免傳統算法必需的統計信息、高維矩陣求逆和特征分解計算等，是未來信道估計研究熱點之一。深度學習通常利用大量輸入和標簽對網絡框架進行訓練，得到合適的網絡模型。毫米波信道估計中，深度學習僅僅處于理論研究和起步階段。根據總結和分析，基于深度學習的毫米波信道估計可圍繞以下幾個方面進行研究：

(1)環境變化引起網絡模型不適用。深度學習網絡訓練中，輸入和標簽往往通過特定的信道模型得到，且大多考慮單一信號傳輸模式。在不同信道環境條件下，獲得精確估計結果的網絡模型需要重新訓練，每次訓練所花費的高額時間成本不滿足低時延通信要求。適應多變環境和多信號的網絡模式是值得考慮的。

(2)輸入維度受天線數量變化影響。神經網絡輸入主要包括接收信號、導頻信號和預估計的信道矩陣等。這些輸入值隨著天線數量增大維度會增加，在未來部署大量天線的系統中，應當考慮不受天線維度影響的信道估計算法。

(3)利用現有的先進網絡模型和通信傳統算法提高估計精確度。目前，大部分信道估計模型基于DNN，但在深度學習領域已經出現了許多優秀模型，例如，雙向長短期記憶網絡(Long Short-Term Memory,LSTM)和CNN的深度殘差網絡模型等?？煽紤]時域和頻域下載波的相關性，利用雙向RNN更好地提取前后關聯特征估計信道。另外，先進行合理的預估計，再采用深度學習處理，也是未來可考慮的研究點。將通信傳統算法與深度學習進行結合，即發揮神經網絡去噪提和取特征等性能，提高信道估計精確度。

(4)信道參數估計和聯合估計問題。以往研究考慮信道參數估計，將整個信號傳輸系統看作一個黑匣子設計神經網絡框架，目前在實際中不適合，過于理論化。應避免直接估計多矢量CSI而單獨估計特殊的信道參數，對信道建模、精確恢復信道和波束成形等操作帶來便利。此外，未來研究可考慮信道估計與信號檢測、信道估計和預編碼聯合處理。利用深度學習對整體模型的“學習”能力，將信號檢測或波束成形系統與CSI估計結合，避免單獨估計導致不必要的誤差。

(5)深度學習在壓縮感知領域也取得了顯著成果，并且基于深度學習的信號重構能夠有效避免傳統算法的復雜計算。文獻[43]表明噪聲和衰落會影響深度學習重構效果。優化神經網絡得到適合毫米波通信的重構模型是研究方向之一。

毫米波在無線通信傳輸中會產生更多路徑損耗，受遮擋影響更嚴重，對大氣環境更敏感，傳統MIMO信道模型不能充分表征大規模MIMO毫米波空間稀疏和信號傳輸特性?，F階段大量研究基于Saleh-Valenzuela(SV)幾何傳輸模型，并取得了一些成果。但SV模型對多徑信道影響因素表征并不充分，即使在小尺度特性條件下，信號衰落參數仍包括增幅、時延、角度和多普勒特頻移，因此，在更加實際模型中進行CSI估計是一個需要解決的問題。另外，大量工作建立在均勻直線天線陣的基礎上，未來大規模MIMO毫米波天線部署方式有平面陣列、球形陣列和L陣列等，需要進一步考慮基于其他天線部署方式的算法。

3 結束語

近年來，毫米波通信作為未來無線通信的關鍵技術，引起了國內外廣泛關注。其中，信道估計是無線通信系統的關鍵問題，也是毫米波通信技術中極具挑戰的研究熱點和難點。本文重點介紹了常用毫米波信道估計方法，對國內外毫米波信道估計現狀進行了梳理，同時分析了毫米波信道估計面臨的挑戰和未來發展方向，可供相關領域研究人員參考。