引言
随着无线通信的迅猛发展，6G技术日益受到学术界的关注与研究。其中，超大规模海量多输入多输出（Extreme Large scale massive Multiple-Input Multiple-Output，XL-MIMO）被认为是6G通信中的关键技术之一。XL-MIMO系统基于超大规模天线阵列技术［1］，与5G的Massive MIMO系统相比，具有更庞大规模的天线阵列。XL-MIMO系统通常包含数百甚至上千根天线，用于实现更高级别的空间复用、波束赋形和干扰管理，从而进一步提高系统的信道容量、覆盖范围和频谱效率［2-3］ 。然而，高原地区由于其较为特殊的自然环境和多变的地形，通信信号容易受到地貌的阻隔和影响，这对通信质量提出了更高的要求［4］。针对这一挑战，可以将超大规模海量天线阵列部署在高原地区，以增加无线通信系统的吞吐量和提高通信质量。为了实现理想的通信效果，用户端需要获得准确的信道状态信息（Channel State Information，CSI）［5］。因此，建立合适的信道模型和设计出高效而准确的信道估计算法是至关重要的，这将有助于提高信号处理的精度和通信系统的整体性能。
在现有的一些XL-MIMO系统信道模型中，很多学者一般都假设所有的散射都在远场或近场区域，但是在高原复杂环境下，XL-MIMO系统中更容易出现混合场环境，主要有以下几点原因：（1）高原地区地形复杂，建筑物、山脉等散射体较多，容易形成近场和远场混合的信道环境;（2）高原地区基站覆盖范围较广，用户分布稀疏,基站天线与用户之间的距离差异较大，远近用户共存，导致远场和近场信号同时存在;（3）XL-MIMO系统采用超大规模天线阵列，天线孔径较大，在高原复杂地形下更容易同时覆盖远场和近场区域，导致混合场信道的产生。这种混合分布会增加信道估计的复杂性，使得现有的远、近场信道估计方案不能较好地估计XL-MIMO系统混合场CSI［6］。
在已有研究中，文献［7］针对传统的Massive MIMO系统，利用远场角度域的稀疏特性，采用基于压缩感知（Compressed Sensing，CS）的算法来获取准确的CSI。由于基于消息传递（Message Passing，MP ）对信道的先验分布要求严格，因此基于CS的MP算法对信道估计或信号检测有一定的局限性。文献［8］针对在XL-MIMO系统中，由于近场球面波前特性的存在，经典的远场信道估计方法无法准确估计CSI，导致性能严重下降的问题,提出了一种利用极坐标域稀疏性进行近场信道估计的方法。通过同时考虑角度和距离信息的极坐标域表示，可以有效地估计近场CSI。同时作者提出了基于网格和非网格的两种近场XL-MIMO信道估计方案，并通过仿真验证了方案的有效性。在文献［9］中，可以观察到具有角度域的远场信道的稀疏性不再符合近场信道的稀疏性特征，从而产生较大的能量泄漏。因此，利用基于CS的算法进行近场信道估计，需要进一步准确地描述近场信道的稀疏性特性。在文献［10］中，为了解决角度域信道估计方案固有的性能损失，首先提出了基于近场信道极坐标域稀疏性改进现有多残差密集网络方案的极坐标域多残差密集网络用于XL-MIMO系统，此外还设计了极坐标域多尺度残差密集网络以提高信道估计精度，但是在XL-MIMO通信系统中并非只存在近场信道［11］。
以上方案虽然可以实现信道估计，但是在性能上还是存在一些不足。为了改善高原地区通信条件较差的情况，本文首先构建了一个XL-MIMO系统的混合场信道模型，来描述和模拟复杂的混合场信道特征。其次，为了保证XL-MIMO系统的容量和性能，需要获取混合场信道准确的信道状态信息。为此，提出了一种两阶段的信道估计算法方案。第一阶段利用正交匹配追踪（Orthogonal Matching Pursuit，OMP）算法在极坐标域估计近场路径分量；第二阶段在第一阶段的基础上，再次利用OMP 算法在角度域进一步估计远场路径分量。该两阶段的信道估计算法方案在基于OMP算法的基础上，选择了合适的关于残差的门限阈值，以便于在算法的收敛速度和稀疏重构的精度之间取得平衡。通过仿真发现，本文提出的信道估计方案可以带来更好的信道估计误差，能够更精准地估计出混合场CSI，更适合应用于高原复杂环境中的XL-MIMO系统。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006375
作者信息：
张钧鑫1,2，彭秋云1,2，张雨晨1,2，黄欢1,2，杨君楠1,2，姜军1,2
（1.西藏大学信息科学技术学院,西藏拉萨850000;
2.西藏大学信息技术国家级实验教学示范中心,西藏拉萨850000）
