Метод слепого оценивания каналов на основе глубокого обучения в системах Massive MIMO с учетом пространственной корреляции

Переход к сетям шестого поколения и внедрение концепции сверхплотных сетей неразрывно связаны с экспоненциальным масштабированием антенных решеток на базовых станциях. Технология Massive MIMO (Multiple-Input MultipleOutput), являясь физическим базисом современных телекоммуникационных стандартов, критически зависит от точности информации о состоянии канала (Channel State Information, CSI) для реализации алгоритмов прекодирования и пространственного мультиплексирования [1, 2].

Традиционная парадигма получения CSI, основанная на передаче ортогональных пилотных последовательностей (Pilot-Aided, PA), сталкивается с фундаментальным ограничением в условиях массового подключения. Когда число абонент- ских терминалов NU становится соизмеримым с длиной когерентного интервала T, возникают два критических фактора, ограничивающих спектральную эффективность [3]:

В этой связи разработка методов слепого оценивания, позволяющих исключить зависимость длины обучающей последовательности от числа пользователей, является актуальной научно-технической задачей. Существующие подходы, базирующиеся на методах подпространств или статистике второго порядка, обладают высокой вычислительной сложностью (кубическая зависимость от числа антенн) и низкой скоростью сходимости, что ограничивает их применимость в динамических каналах [4, 5].

Перспективным направлением является применение методов глубокого обучения для аппроксимации нелинейных зависимостей в задачах физического уровня. Однако большинство существующих нейросетевых решений либо требуют идеальной синхронизации, либо не учитывают сложную структуру пространственной корреляции, характерную для реальных антенных топологий [6].

Целью данной работы является повышение спектральной эффективности систем Massive MIMO посредством разработки метода слепого оценивания канала, инвариантного к геометрии антенной решетки и не требующего расширения спектральных ресурсов на пилот-сигналы.

Для достижения поставленной цели решаются следующие задачи:

• 1.    Формализация математической модели: представление выборочной ковариационной матрицы принятого сигнала как «зашумленного изображения» истинной корреляционной матрицы канала, что позволяет применить методы компьютерного зрения к задачам радиофизики.

• 2.    Синтез архитектуры глубокой сверточной нейронной сети (Denoising Convolutional Neural Network, DnCNN): адаптация DnCNN для задачи оценки канала. Ключевой особенностью является реализация стратегии остаточного обучения, при которой сеть обучается предсказывать ошибку оценки (шум выборки), а не восстанавливать канал напрямую, что обеспечивает ускоренную сходимость и вычислительную устойчивость.

• 3.    Анализ влияния топологии: исследование робастности алгоритма к пространственной корреляции различных антенных конфигураций, включая: линейные (Uniform Linear Array, ULA),

• 4.    Сравнительная оценка эффективности: проведение численного моделирования для сопоставления предложенного метода с классическим LS-оцениванием (Least Squares) по критериям вероятности битовой ошибки (Bit Error Rate, BER) и эффективной спектральной эффективности (Spectral Efficiency, SE).

прямоугольные (Uniform Rectangular Array, URA), кольцевые (Uniform Circular Array, UCA) решетки и распределенные антенные системы (Distributed Antenna System, DAS).

Математическая модель системы

Рассматривается односотовая система Massive MIMO, функционирующая в режиме временного дуплекса (Time Division Duplex, TDD) [7]. Базовая станция (Base Station, BS) оснащена массивной приемной антенной решеткой из N_R элементов и обслуживает N_U одноантенных пользовательских терминалов (User Equipment, UE). Предполагается выполнение фундаментального условия режима Massive MIMO: N R » N U . Архитектура приемопередающего тракта и сценарий взаимодействия элементов сети проиллюстрированы на рисунке 1.

Ключевым элементом предлагаемой архитектуры является модуль слепого оценивания. Данный блок реализует извлечение оценки канальной матрицы H непосредственно из информационного потока восходящего канала (Uplink, UL) с использованием нейросети DnCNN, исключая стадию длительного обучения на пилот-сиг-налах. Полученная оценка H ^ˆ затем используется для расчета прекодера и формирования луча в нисходящем канале (Downlink, DL).

Восходящий канал (UL). В интервале восходящей связи N_U пользователей синхронно передают блоки данных длительностью L символов.

В интервале восходящей связи все N_U пользователей одновременно передают данные на базовую станцию. Принимаемый базовой станцией сигнал Y _UL е С N R ^{х L} записывается в матричном виде:

Y ul = HX ul + N ul , (1) где X _UL е С N^{U х L} - матрица переданных символов от всех пользователей; H е С ^N R ^х N U - матрица канала восходящей связи; N _UL е С N R ^{х L} - матрица аддитивного белого гауссовского шума с нулевым средним и дисперсией а П .

Нисходящий канал (DL). В интервале нисходящей связи BS формирует сигнал для N_U пользователей на том же частотно-временном ресурсе. Принимаемая пользователями матрица сигналов Y_dl е С N^{U х L} определяется выражением:

Y_dl = H T WS + N dl , (2)

Слепое оценивание на основе DnCNN

Рисунок 1. Общая системная модель Massive MIMO, интегрированная с модулем слепого оценивания канала на основе DnCNN

UE

UE N

где: s е C N U ^x L - матрица информационных символов, предназначенных пользователям; W _G N R ^N N ^x N U — матрица линейного прекодирования, рассчитываемая на основе оценки канала H . В уравнении (2) используется принцип взаимности каналов, согласно которому матрица канала Downlink полагается транспонированной матрице Uplink ( H ^T ).

Для борьбы с межсимвольной интерференцией и частотной избирательностью широкополосного канала в системе применяется технология ортогонального частотного мультиплексирования (Orthogonal Frequency-Division Multiplexing, OFDM) c длиной циклического префикса (Cyclic Prefix, CP) N_CP .

Предварительное кодирование RZF [8]. В условиях высокой пространственной корреляции, характерной для рассматриваемых антенных топологий (ULA, URA, DAS), матрица канала становится плохо обусловленной. Применение классического алгоритма обращения в нуль (ZeroForcing, ZF) в таких сценариях приводит к эффекту усиления шума, что деградирует пропускную способность на границах соты. Для регуляризации обратной задачи и обеспечения баланса между подавлением интерференции и уровнем шума применяется метод RZF (Regularized ZF). Расчет матрицы прекодера W е C ^{Nr х} N U выполняется на основе оценки канала H следующим образом:

W = в н *( H T II * + a I_y Г¹ ,

NU где (•)*; (•)T - операторы комплексного сопряжения и транспонирования соответственно; в - коэффициент масштабирования, обеспечивающий нормировку общей мощности передачи;

a - коэффициент регуляризации, выбираемый обратно пропорционально SNR.

Модель пространственнокоррелированного канала

Для анализа эффективности алгоритма в условиях, приближенных к реальным, применяется геометрически-базированная стохастическая модель (Geometry-Based Stochastic Model, GBSM). Данная модель позволяет сформировать матрицу канала H , учитывающую как эффекты многолу- чевого замирания, так и пространственную корреляцию, обусловленную геометрией антенной решетки и угловым разбросом сигнала на стороне базовой станции. Матрица канала H е CNr хNU в частотной области моделируется согласно вы- ражению:

где H _w е C ^{Nr х} N U

H = R15S H w, матрица нескоррелированных коэффициентов передачи, элементы которой являются независимыми случайными величинами с распределением Рэлея; RBS е с Nr хNr - матрица пространственной корреляции на стороне базовой станции. Ввиду значительного пространственного разнесения пользователей предполагается отсутствие корреляции на передающей стороне (RUE =1 Nu).

Элементы корреляционной матрицы [RBS]m,n , (корреляция между m-м и n-м антенными элементами) вычисляются путем интегрирования по области углового разброса. Пусть (^,ф) - углы места и азимута прихода сигнала соответственно. Выражение для коэффициента корреляции имеет вид:

2 л

⁶ max ^ max                 ^— j * v ^{( 6} , Ф ) ( u m ^— u n )

[ R BS ] m , n = L I. P ( ^{3 ,} Ф )e   ²            d ^ d ³ , (3)

* 6min “ Fmin где um, un е Жм - векторы координат m-го и n-го антенных элементов в декартовой системе; А - длина волны несущей; v(0, ф) - волновой вектор направления, определяемый как:

v ( 0 , ф ) = [sin 0 cos ф , sin 0 sin ф , cos ^ ] ^T .

Функция P ( 0 , ф ) представляет собой нормированный профиль углового спектра мощности. В работе принято Лапласовское распределение энергии в пределах углового разброса [ ф _тт , Ф _тах ^] = ^ф- ^Лф , Ф ^{+ Лф ]}, [ 0 _mln , 0 max ] = [ 0 — ^Д 0 , 0 + Л 0 ], ⁰ , ^{ф -} средние углы прихода сигнала по азимуту и углу места соответственно; Л 0 , Л ф - параметры углового разброса, определяющие ширину пучка рассеивания [9, 10].

Геометрия антенной решетки детерминирует векторы координат u _m в уравнении (3), что, в свою очередь, формирует уникальную текстуру корреляционной матрицы R _BS . В работе рассматриваются следующие конфигурации:

• 1.    Линейная решетка ULA: элементы расположены равномерно вдоль оси x . Вектор координат m-го элемента: u _m = [( m - 1) d ,0,0] ^T .

• 2.    Прямоугольная решетка URA: формирует планарную структуру в плоскости xz размерностью M V x M H (где M V - число элементов по вертикали, M_H – по горизонтали). Координаты определяются индексами по вертикали (v) и горизонтали (h):

• 3.    Кольцевая решетка UCA: элементы размещены по окружности радиуса r в плоскости xy . Координаты задаются как u m = ^[ r cos V m , r sin V m ^,0f , V m = M m ^{- 1)}/ N_R •

u v . h = [( h - 1) d ,0,( v - 1) d ] ^T , (4)

Распределенные антенные системы – DAS [11]. Особый интерес представляет архитектура DAS, моделирующая трехсекторную базовую станцию. Массив из N_R антенн разделен на S = 3 подрешетки (сектора) типа URA, ориентированные под азимутальными углами ф S е { 0 ° ,120 ° ,240 ° } . Координаты антенн рассчитываются посредством аффинного преобразования:

u^ASS) - Ви- ’.u) + pbs, где u(mURA) – локальные координаты внутри сектора; pBS – координаты центра BS; B(φS) – матрица вращения вокруг оси z:

^T & S ) =

cos P S sin ^_S 0

- sin p_S cos P S 0

Фундаментальной особенностью DAS является блочно-диагональная структура корреляционной матрицы RDAS . Ввиду пространственного разнесения секторов и направленности диаграмм, межсекторная корреляция стремится к нулю:

R DAS

R sec

_R (2) sec

0     0 ^

R(3)

Rsec у где R^S.) - плотная корреляционная матрица S-го сектора. Нулевые внедиагональные блоки означают статистическую независимость замираний между секторами.

Предлагаемый метод слепого оценивания

Традиционная оценка канала на основе пи-лот-сигналов. Рассмотрим интервал когерентности канала длительностью T символов. В классической архитектуре TDD данный ресурс разделяется на фазу обучения длительностью т и фазу передачи полезных данных T - т . В фазе обучения N_U излучают ортогональные пилотные последовательности, образующие матрицу P е С N U ^хт . Принятый базовой станцией сигнал Y p е С N R ^хт можно записать в матричном виде:

Y _p = HP + N _p .

Для обеспечения разрешимости задачи идентификации пользователей, пилотные последовательности должны удовлетворять условию ортогональности PP H = т I . В этом случае оценка канала по методу LS сводится к линейной проекции:

H LS = ¹ Y P P H = H + ¹ N _P P H . т т

Фундаментальным недостатком данного подхода является жесткое ограничение размерности: для существования ортогонального базиса необходимо выполнение условия т >  N U . В системах Massive MIMO с высокой плотностью абонентов это требование приводит к линейному росту накладных расходов, что при фиксированном интервале когерентности T вызывает критическое снижение эффективной пропускной способности [12].

Теоретическое обоснование слепого подхода. В отличие от традиционного подхода, предлагаемый метод исключает выделенную фазу обучения и использует для извлечения информации о канале полный блок данных YUL длительностью L символов, описанный в уравнении (1). Подход базируется на фундаментальном свойстве асимптотической ортогональности каналов в системах Massive MIMO. Ключевым инструментом анализа является выборочная ковариационная матрица, вычисляемая усреднением принятых сигналов по временному измерению:

L

R y = 7 y_ul yH = 7 1 y, y H .

^{L           L} l = 1

Рассмотрим поведение матрицы R y при стремлении длины выборки к бесконечности ( L ^да ) [13]. Учитывая, что информационные символы пользователей X _UL и компоненты шума

N _UL являются взаимно некоррелированными случайными процессами с нулевым средним, согласно закону больших чисел, перекрестные члены стремятся к нулю. Асимптотический предел ковариационной матрицы принимает вид:

л

Rv = lim R Y = H y L ^да lim 1 XXH

UL UL

^L ^“ L

H ^H +

^ I NU

+ limy N ul N ^H _VL

^

^ ^ b¹ Nr

.

При условии, что символы данных независимы и одинаково распределены, выражение (5) сходится к детерминированной структуре:

R Y = HH ^H + o n ²I N r . (6)

Уравнение (6) доказывает, что статистические моменты второго порядка принятого сигнала содержат полную информацию о сигнальном подпространстве HH ^H , определяемую геометрией антенной решетки.

Однако в реальных системах длина пакета L ограничена требованиями к задержке, поэтому условие L ^ да не выполняется. Выборочная матрица R ^ˆ _y всегда содержит компоненту стохастической ошибки («шум оценивания»):

R Y = HH ^H + ^ I N r + E error , (7) где E _error – матрица ошибки, вызванная конечностью выборки.

Формализация задачи для DnCNN: в рамках данного исследования уравнение (7) интерпретируется как модель «зашумленного изображения». Полезная компонента HH ^H формирует характерную «текстуру» (зависящую от типа решетки ULA/URA/DAS), в то время как E _error рассматривается как аддитивный шум. Это позволяет свести задачу восстановления канала к задаче удаления шума с применением глубокой сверточной нейронной сети.

Предварительная обработка данных . Для обеспечения сходимости алгоритма обучения

DnCNN и адаптации комплексной природы радиосигналов к вещественной архитектуре нейронной сети, к выборочной ковариационной матрице R ^ˆ _Y применяется процедура двухэтапной предобработки:

Этап 1: Спектральная нормализация. С целью устранения детерминированной огибающей профиля задержки мощности (Power Delay Profile, PDP) и фокусировки внимания сети исключительно на стохастических пространственных корреляциях, выполняется операция «спектрального отбеливания». Формируется нормированная матрица II , инвариантная к частотной селективности канала:

R = RY 0 (Cpdp + eI), где 0 - оператор поэлементного деления Адамара; CPDP – теоретическая матрица спектральной корреляции, элементы которой зависят от частотного разнесения поднесущих; е - коэффициент регуляризации для предотвращения сингулярности.

Этап 2: Формирование тензора и масштабирование. Поскольку сверточные слои оперируют в поле вещественных чисел, комплексная матрица iR преобразуется в трехмерный вещественный

Nr ^ Nr ^х 2

тензор X in е Ж путем декомпозиции на действительную и мнимую составляющие (каналы изображения). Учитывая, что амплитуды замираний в каналах Massive MIMO подчиняются распределению Рэлея с «тяжелыми хвостами», стандартная Z-нормализация неэффективна. В работе применяется метод глобального абсолютного масштабирования для отображения данных в динамический диапазон [ - 1; 1 ] :

X

^X norm = — , гДе A max = / 'max (| ^X in | ),

Архитектура нейронной сети DnCNN . Фундаментальная гипотеза применения DnCNN базируется на изоморфизме задачи восстановления матрицы ковариации и задачи удаления шума с изображений. В тензорном представлении X _norm компонента полезного сигнала HH ^H формирует устойчивые геометрические паттерны, интерпретируемые сверточной сетью как «текстура». Напротив, ошибка оценивания E _error , вызванная конечностью выборки, обладает свойствами аддитивного стохастического шума.

Вместо прямой реконструкции «чистой» матрицы канала (что является сложной задачей регрессии), предложенная архитектура реали- зует стратегию остаточного обучения (Residual Learning). Сеть обучается аппроксимировать исключительно шумовую компоненту (отображение ^ (•)). Итоговая оценка формируется посредством глобальной связи:

л clean norm R'( norm ; ^), где Θ – обучаемые параметры сети. Такой подход ускоряет сходимость градиентного спуска, так как остаточный шум имеет более однородную статистическую структуру, чем пространственная корреляция каналов Massive MIMO.

Сеть имеет глубину D = 17 слоев и разделена на три функциональных каскада (см. рис. 2) [14, 15]:

• 1.    Извлечение признаков (Слой 1): свертка (Convolution, Conv) с 64 фильтрами 3 х 3 и активация ReLU (Rectified Linear Unit). Пакетная нормализация (Batch Normalization, BN) намеренно исключена для сохранения исходного статистического распределения амплитуд входного сигнала («шумового профиля»).

• 2.    Нелинейное отображение (Слой 2–16): каскад из 15 идентичных блоков «Conv + BN + ReLU». Использование BN критически важно для стабилизации градиентов и ускорения обучения в условиях высокого динамического диапазона замираний Рэлея.

• 3.    Реконструкция шума (Слой 17): финальный сверточный слой преобразует 64 карты признаков обратно в 2 выходных канала (соответствующих действительной и мнимой частям). Функции активации отсутствуют, что обеспечивает полный динамический диапазон значений остаточного шума.

Устранение фазовой неопределенности: Концепция «Виртуального пилота» [16]. Несмотря на эффективность DnCNN в восстановлении структурной корреляции, полученная оценка Rclean ~ HHH инвариантна к унитарным вращениям. Это означает, что каналы восстанавливаются с точностью до неизвестной фазовой матрицы Q. В системе MU-MIMO, ввиду статистической независимости пользователей, матрица Q имеет строгую диагональную структуру:

Q = diag(eJ\e " ,^,e"'), где pk - случайный фазовый сдвиг k-го пользователя. Данная матрица является препятствием для когерентного детектирования и должна быть компенсирована.

Для разделения смешанного сигнального подпространства применяется спектральное разложение (Eigenvalue Decomposition, EVD) матрицы R clean . Поскольку ранг матрицы равен числу пользователей N_U , процедура EVD корректно выделяет N_U ортогональных собственных векторов v _k , каждый из которых коллинеарен истинному вектору канала h _k (с точностью до фазы p _k ).

Для устранения фазовой неопределенности в структуру кадра внедряется «Виртуальный пилот» – одиночный символ s_ref , известный базовой станции ( T blind = 1). Истинная оценка вектора канала h k формируется путем фазовой коррекции собственного вектора v _k :

I sref ^ [v k ]1 J где y1,k – проекция принятого сигнала на первую антенну в момент передачи пилота; [vk ]1 – первый элемент собственного вектора. Множитель в скобках представляет собой оценку обратного фазового сдвига e-jPk .

Нормированный входной тензор

X'norm

Слой 1      Слой 2

Слой 16

Слой 17

→ Оценка остаточного шума

Восстановленная матрица канала £ R clean

Convolution + ReLU: 64 фильтра размера 3× 3

Convolution + BN + ReLU: 64 фильтра размера 3× 3

Convolution : 2 фильтр размера 3× 3

Рисунок 2. Архитектура нейронной сети DnCNN для слепого оценивания

Данный подход обеспечивает качественный скачок в спектральной эффективности: вместо линейного роста накладных расходов - >  N U ), метод требует фиксированного минимального ресурса, инвариантного к масштабу сети.

Теоретический анализ спектральной эффективности . Для количественной оценки выигрыша предлагаемого метода вводится метрика эффективной спектральной эффективности (Effective SE, SE_eff ), определяющая реальную скорость передачи полезных данных с учетом служебных расходов и надежности канала [17]. В общем виде SE_eff (бит/с/Гц) для системы Massive MIMO рассчитывается как:

SEeff = NU х log2( M) xl 1 - - lx (1 - BER), где M – порядок модуляции.

В традиционном методе условие ортогональности требует, чтобы длительность пилот-после-довательности росла линейно с числом пользователей ( - PA >  N U ). Следовательно, эффективность ограничена фактором:

SE_pa =«| 1 - NU- |x (1 - BER. J.

PA           T               LS

Внедрение концепции «Виртуального пилота» позволяет зафиксировать расходы на обучение на минимальном уровне - blind = 1, независимо от числа пользователей N_U . Эффективность метода DnCNN определяется выражением:

^SEblind ^X^ 1 - T । ^{X ( 1} - ^BERDnCNN ) .

Относительный выигрыш метода Г = SEblind /SEaa определяется балансом между выигрышем в ресурсах и потерей в точности оценивания:

_r= SEM = ( T - 1 ) _X ( 1 - BER DnCNN ) SE p,o ( T - N u ) ( 1 - BER ls ) '

В системах Massive MIMO первый множитель всегда значительно больше единицы. Численное моделирование призвано подтвердить гипотезу, что этот структурный выигрыш доминирует над незначительным снижением точности, обеспечивая Г >  1 в широком диапазоне SNR.

Результаты моделирования

Для верификации предложенного метода слепого оценивания и подтверждения теоретических выводов было проведено имитационное моделирование методом Монте-Карло в среде MATLAB. Ключевые параметры системы MU-MIMO, характеристики канала распространения и гиперпараметры нейронной сети DnCNN сведены в таблицу 1. Для всесторонней оценки эффективности предложенного метода было разработано 5 тестовых сценариев. Для исследования робастности алгоритма к пространственной корреляции разработаны 5 тестовых сценариев (табл. 2), охватывающих различные топологии антенн и условия рассеяния сигнала.

Результаты моделирования эффективности исследуемых антенных систем в 5 тестовых сценариях представлены в виде зависимостей BER и SE от SNR на рисунках 3–6. На всех графиках сплошные линии соответствуют традиционному методу с пилот-сигналами, а пунктирные линии – предложенному методу слепого оценивания (Blind).

Таблица 1. Ключевые параметры системного моделирования

Категория	Параметр	Значение
Системные параметры	Число пользователей NU	16
	Режим дуплекса	TDD
	Пилот-сигналы	Ортогональные Адамар, - PA = 16
	Опорный символ	- blind 1
	Длина когерентного интервала T	64
	Тип замираний	Рэлея
	Профиль задержки	Экспоненциальный, N path = 8 лучей
Параметры OFDM	Размерность NFFT	64
	Длина CP ( NCP )	16
	Модуляция	QPSK
Нейросеть DnCNN	Архитектура	17 слоев (Conv + BN + ReLU)
	Оптимизатор/Loss	Adam/MSE (Mean Squared Error)
	Скорость обучения	10-3 с понижением (Drop Factor 0,5 каждые 10 эпох)

Таблица 2. Сценарии моделирования и параметры среды GBSM

Сценарий	Конфигурация BS	Угловой спектр ф ; А ф - азимут 0 ; АО - угол места	Описание сценария и мотивация
1	ULA N = 32; d = 0,5 2 R	ф = 30 ° ; А ф = 45 ° О = 0 ° ; А О = 5 °	Горизонтальное рассеяние. Классический сценарий с широким разбросом по азимуту, типичный для макросот
2	URA N = 8 x 4 = 32; d = 0,5 2 R	ф = 45 ° ; А ф = 5 ° О = 0 ° ; А О = 45 °	3D-кластеризация. Высокая концентрация пользователей по азимуту, но с большим разбросом по высоте (городская застройка)
3	UCA N„ = 32; r « 2,55 2 R	ф = 0 ° ; А ф = 30 ° О = 0 ° ; А О = 10 °	Равномерное покрытие. Сценарий для оценки робастности к «мертвым зонам» диаграммы направленности
4	DAS N = 27; 3-URA 3 x 3 R	ф = 60 ° ; А ф = 10 ° О = 0 ° ; А О = 5 °	Стресс-тест. Пользователи расположены на границе секторов (60°). Сильная межсекторная интерференция
5	DAS N = 27; 3-URA 3 x 3 R	ф е { 0 ° ,120 ° ,240 ° } ; А ф = 60 ° О = 0 ° ; А О = 30 °	Макро-разнесение. Идеальное разделение пользователей по секторам. Эталон максимальной эффективности

Рисунок 3. Сравнение эффективности антенных решеток в сценарии 1

я -+-URA . - + -UCA

Blind             Blind             Blind

-e-ULA -a-URA

Рисунок 4. Сравнение эффективности антенных решеток в сценарии 2

UCA-A-ULAB[.nd . + -URABlind * UCABiind

-G-ULA -a-UR A

SNR, dB

UCA -A-ULA - + -URA - * UCA

Blind             Blind             Blind

Рисунок 5. Сравнение эффективности антенных решеток в сценарии 3

SNR, dB

-©“Сценарий 1 —н—Сценарий 2

Сценарий 3 -А-Сценарии 4 —+“ Сценарий 5

Сценарий! - в-Сценарий 2В|. -А-Сценарий 3„., .-А-Сценарий 4В1. . Сценарий 5„„ .

1 Blind                1 Blind v           ' Blind                1 Blind                ' Blind

Рисунок 6. Сравнительная эффективность системы DAS в пяти сценариях моделирования

Обсуждение полученных результатов

Комплексный анализ полученных зависимостей выявляет фундаментальную дихотомию между точностью детектирования и эффективностью использования ресурсов. Как демонстрируют графики BER, отказ от длинных пилотных последовательностей закономерно приводит к появлению неустранимого «пола ошибки» для слепого метода. Это обусловлено стохастической природой остаточного шума аппроксимации нейросети E _error , в отличие от детерминированного подавления шума в методе LS при росте SNR.

Однако, анализ SE вскрывает ключевое преимущество предлагаемого подхода. На графиках наблюдается характерная инверсия производительности: в области высоких SNR (более 5 dB) кривые слепого метода пересекают кривые традиционного подхода и стремятся к существенно более высокому пределу насыщения. Данный феномен объясняется сменой доминирующего фактора ограничений. Если традиционный метод жестко лимитирован накладными расходами на пилот-сигналы (теряя до 25 % ресурса при NU = 16 ), то предложенный алгоритм DnCNN, требующий всего одного символа для синхронизации фазы, позволяет утилизировать более 98 % кадра для передачи данных. Таким образом, структурный выигрыш от высвобождения полосы пропускания полностью компенсирует и превосходит потери, вызванные снижением точности оценки канала.

Особую значимость представляет подтвержденная архитектуры DnCNN к топологии антенной системы. Результаты моделирования показывают, что сеть не просто запоминает обучающую выборку, а формирует обобщающую способность извлекать специфические пространственные признаки: от диагональных структур корреляции линейных решеток (ULA) до сложных блочных паттернов распределенных систем (DAS).

Важно отметить, что в сценариях с DAS комбинация пространственного разнесения и глубокого обучения демонстрирует синергетический эффект. Способность сети интерпретировать нулевые внедиагональные блоки корреляционной матрицы как структурную особенность, а не как шум, позволяет методу сохранять высокую пропускную способность даже в условиях жесткой межсекторной интерференции. Это доказывает, что предложенный алгоритм способен эффективно решать задачу когерентного объединения сигналов в распределенных системах без сложной предварительной калибровки, что открывает перспективы для его применения в концепциях Cell-Free Massive MIMO.

Заключение

В исследовании представлен и верифицирован метод полуслепого оценивания каналов для систем Massive MIMO, базирующийся на синергии глубокой нейросети DnCNN и предложенной концепции «Виртуального пилота». Основные научные и практические результаты работы сводятся к следующему:

Доказано, что устранение фазовой неопределенности подпространства сигнала возможно с использованием минимального фиксированного ресурса ( τ _blind = 1 ), инвариантного к числу пользователей. Это устраняет фундаментальное ограничение традиционных методов (где τ ≥ N_U ), позволяя неограниченно наращивать плотность абонентов без деградации спектральной эффективности.

Численное моделирование подтвердило, что высвобождение частотно-временных ресурсов (до 23,5 %) полностью компенсирует потери от стохастической ошибки нейросети. Метод демонстрирует превосходство по критерию эффективной пропускной способности над классическим LS-оцениванием в широком диапазоне SNR.

Установлено, что архитектура DnCNN с обучением на остаточных ошибках способна эффективно интерпретировать блочно-разреженные корреляционные структуры систем DAS. Алгоритм обеспечивает высокую устойчивость связи в условиях межсекторной интерференции, реализуя преимущества макро-разнесения без необходимости в сложной фазовой калибровке.

Полученные результаты открывают перспективы для внедрения предложенного подхода в архитектуры Cell-Free Massive MIMO. Дальнейшая работа будет сосредоточена на адаптации алгоритма для учета взаимной корреляции между распределенными точками доступа и оптимизации нейросетевых моделей для работы в реальном масштабе времени на граничных устройствах.