目录

一. MIMO信道估计的重要性

二. 最经典的两种信道估计方法

2.1 最小二乘信道估计(LS)

2.2 最小均方误差信道估计(MMSE)

三. 优化传统的MIMO信道估计技术

四. 介绍压缩感知技术

五. 基于压缩感知的MIMO信道估计

5.1 压缩感知怎么用在MIMO信道估计

5.2 改进压缩感知用在信道估计

六. 如何利用时间相关性估计MIMO信道

6.1 介绍贝叶斯再信道估计中的用途

6.2 基于时间相关性的MIMO相关性

七. 基于高速移动的MIMO信道估计

八. 基于混合模数的MIMO信道估计

九. 基于低分辨率模数转换器的MIMO信道估计

9.1 介绍克拉-美罗界

9.2 基于低分辨率的模数转换器

十. 基于透镜天线阵列的MIMO信道估计

十一. 基于神经网络的MIMO信道估计

总结

（1）细节总结

（2）合法端优化MIMO信道估计的方向

首先本篇文章会使用到的通信领域常用缩略语如下：

一. MIMO信道估计的重要性

是否获得精确CSI，将影响着发射机的波束赋形和接收机的解码精度。一方面，电磁波在复杂的无线信道中传播会经历直射、反射、折射以及散射等过程，产生多径衰落，为了正确检测出传输信号，接收机需要利用信道估计补偿接收信号；另一方面，基站需要根据信道估计实现波束赋形，对发送信号进行预处理，使其空间的分布特性与当前的信道条件相匹配，以充分获得大规模MIMO技术带来的阵列增益。

经典的MIMO信道估计方法是利用导频信号：

当通信环境具有丰富的散射体时，CSI协方差矩阵满秩，大规模MIMO的信道状态信息的估计开销将会很大。

二. 最经典的两种信道估计方法

2.1 最小二乘信道估计(LS)

有关最小二乘信道估计的推导，我就直接用PPT展示了，简洁明了。

2.2 最小均方误差信道估计(MMSE)

这个地方也直接上PPT了

三. 优化传统的MIMO信道估计技术

[HLY+19]基于LS估计器和稀疏消息传递算法的稀疏信道估计技术。该稀疏信道估计技术迭代地用稀疏消息传递算法来检测毫米波大规模MIMO稀疏信道中较大信道系数的位置，然后用LS估计器估计非零项的值，可以取得较高的信道估计精度。

[YZG+20]首先利用LS估计器获得初始CSI，然后利用图数据结构对所获得的CSI进行表征，并通过图边缘的权值来描述信道的空间相关性，最终提出基于图神经网络的大规模MIMO信道追踪技术（优于前馈神经网络）。

[HLY+19] C. Huang, L. Liu, C. Yuen, and S. Sun. Iterative channel estimation using LSE and sparse message passing for MmWave MIMO systems [J]. IEEE Transactions on Signal Processing, 2019, 67(1): 245–249.

[YZG+20]Y. Yang, S. Zhang, F. Gao, J. Ma, and O. A. Dobre. Graph neural network-based channel tracking for massive MIMO networks [J]. IEEE Communications Letters, 2020, 24(8): 1747–1751.

四. 介绍压缩感知技术

奈奎斯特采样定理要求采样频率必须大于信号中最高频率的两倍。直到有一天，这个定律有了新的世界：

陶哲轩等人指出 独立同分布的高斯随机测量矩阵可以成为普适的压缩感知测量矩阵。

先看看信号重建领域怎么解释：如果一个信号在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号。

再看看通信人怎么说：大规模MIMO的信道具有稀疏性，压缩感知的重建过程，也就是MIMO信道估计的过程，本质是求解欠定方程组