孙文胜，马天然

(杭州电子科技大学通信工程学院，浙江 杭州 310018)

0 引 言

大规模多入多出(Multiple-Input Multiple-Output, MIMO)系统通过配备大数量级天线以提高多路复用的能效，具有可靠性高、无线系统容量大等特点，是5G发展的关键技术之一[1]。正确的信道状态信息(Channel State Information，CSI)是充分发挥大规模MIMO优势的前提条件。在大规模MIMO系统中，由多个天线引起的多载波信号叠加特性使得信道估计变得困难，并且下行链路信道的CSI只能通过接收器来估计[2]。在实际MIMO正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)系统中，信道状态信息的获取需要通过信道估计技术来完成，传统的信道估计方法主要分为盲信道估计、半盲信道估计以及基于导频的信道估计方法[3]，基于导频的信道估计易实现，应用广泛。

近年来，用户信道矩阵在多小区多用户MIMO系统中具有隐藏稀疏特性[4]，故引入压缩感知(Compressed Sensing，CS)技术进行信道估计。稀疏信号从高维“压缩”到低维变成测量向量，根据筛选条件选择出较好的观测向量从而恢复原信号[5]。经典的贪婪重构恢复算法有正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法[6]、正则化正交匹配(Regularized OMP，ROMP)算法[7]以及广义正交匹配追踪(Generalized OMP，GOMP)算法[8]，这几种算法恢复信号时都需要借助于信号的稀疏度信息。但在实际应用中，信道的稀疏度是一个不确定信息，对算法的重构精度有所影响。文献[9]提出一种分段正交匹配追踪(Stagewise Orthogonal Matching Pursuit，StOMP)算法，无需确定信号稀疏度既可较为准确地恢复信号，但是算法的阈值选择具有人为性，降低了不同场景下的重构效率。通过对压缩感知重构算法深入研究发现，原子挑选阈值和迭代停止条件对信号重构效率有直接影响。……