Метод слепого оценивания каналов на основе глубокого обучения в системах Massive MIMO с учетом пространственной корреляции
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Технологии телекоммуникаций
Статья в выпуске: 1 (93) т.24, 2026 года.
Бесплатный доступ
Масштабируемость современных систем Massive MIMO и перспективных сетей 6G фундаментально ограничена эффектом «пилотного загрязнения» и высокими накладными расходами частотно-временных ресурсов на передачу ортогональных пилот-сигналов. В условиях сверхплотного расположения абонентов традиционные методы оценивания канала демонстрируют критическое снижение спектральной эффективности. Разработка ресурсоэффективного метода слепого оценивания канала, инвариантного к топологии антенной решетки, с целью минимизации служебного трафика и максимизации пропускной способности в условиях сложной пространственной корреляции. Предложен подход, базирующийся на статистической обработке выборочной ковариационной матрицы принятых сигналов с применением глубокой сверточной нейронной сети DnCNN. В отличие от прямой реконструкции, алгоритм реализует стратегию остаточного обучения (residual learning) для выделения и устранения шума оценивания, возникающего вследствие конечности выборки. Для разрешения фазовой неопределенности подпространства сигнала внедрена концепция «виртуального пилота» (одиночного опорного символа), что обеспечивает асимптотическое стремление накладных расходов к нулю. Исследование валидировано для широкого спектра конфигураций: линейных, прямоугольных, кольцевых решеток и распределенных антенных систем. Имитационное моделирование подтвердило, что предложенный метод обеспечивает существенный выигрыш в интегральной спектральной эффективности системы за счет высвобождения ресурсов, ранее отводимых под пилот-последовательности. Несмотря на незначительное снижение точности оценки по сравнению с традиционными методами, алгоритм демонстрирует высокую робастность к различным профилям пространственной корреляции и геометрии антенн. Предложенный метод позволяет реализовать сценарии массового подключения на существующих аппаратных архитектурах базовых станций, преодолевая ограничения пропускной способности, накладываемые длиной когерентного интервала.
Короткий адрес: https://sciup.org/140316411
IDS: 140316411 | УДК: 621.396.4; 004.8 | DOI: 10.18469/ikt.2026.24.1.02
Deep learning-based blind channel estimation in massive MIMO systems under spatial correlation
The scalability of modern Massive MIMO systems and prospective 6G networks is fundamentally constrained by the "pilot contamination" effect and the prohibitive overhead of time-frequency resources required for orthogonal pilot transmission. In ultra-dense deployment scenarios, traditional pilot-aided channel estimation methods exhibit a critical degradation in spectral efficiency. The study aims to develop a resource-efficient method for blind channel estimation that is invariant to antenna array topology, with the goal of minimizing signaling overhead and maximizing throughput capacity under conditions of complex spatial correlation. The proposed approach is based on the statistical processing of the sample covariance matrix of received signals utilizing a deep convolutional neural network. In contrast to direct reconstruction techniques, the algorithm employs a residual learning strategy to isolate and mitigate estimation noise arising from finite sample sizes. To resolve the phase ambiguity of the signal subspace, a "virtual pilot" concept (a single reference symbol) is introduced, ensuring that resource overhead approaches zero asymptotically. The study is validated across a wide spectrum of configurations, including linear, rectangular, and circular arrays, as well as distributed antenna systems. Simulation results confirm that the proposed method yields a significant gain in the system's aggregate spectral efficiency by liberating resources previously allocated to pilot sequences. Despite a marginal degradation in estimation accuracy compared to conventional methods, the algorithm demonstrates high robustness to various spatial correlation profiles and antenna geometries. The proposed method facilitates the realization of massive connectivity scenarios on existing base station hardware architectures, effectively overcoming throughput limitations imposed by the coherence interval length.
