戴继生，尚河坤

（江苏大学电气信息工程学院，镇江 212013）

引 言

大规模多输入多输出（Multiple input multiple output，MIMO）系统具有较高的频谱效率和能量效率，已成为下一代无线通信技术的重要组成部分［1‑2］。能否精确地获得信道状态信息（Channel state in‑formation，CSI）是制约大规模MIMO系统性能的重要因素之一。由于基站（Base station，BS）端天线数量众多，而下行信道估计的训练开销与BS端天线数量成正比，因此大规模MIMO系统的下行信道估计变得异常困难。基于时分双工（Time division duplex，TDD）的大规模MIMO系统在估计出上行信道后，可利用上/下行链路信道的互易性［1］获得下行链路信道的估计值。然而，目前主流的通信系统通常采用了频分双工（Frequency division duplex，FDD）技术，基于TDD的互易信道估计方案无法直接应用。

现有研究表明，由于无线传播环境中的散射数量有限，大规模MIMO信道的有效维数远小于BS端天线数。近年来，国内外研究人员利用大规模MIMO信道在角度域的稀疏特性，提出了大量基于稀疏表示的下行信道估计方法［3‑6］。例如：Rao等利用均匀线性阵列（Uniform linear array，ULA）流型的离散傅里叶变换（Discrete Fourier transform，DFT）具有的稀疏特性，提出了一种基于L1‑norm最小化的大规模MIMO信道估计方法［5］。随后，Wen等提出了一种基于DFT的近似消息传递大规模MIMO信道估计方法［7］。然而，大规模MIMO信道在有限维度的DFT字典矩阵上，仅存在近似稀疏表示，不可避免地存在能量泄漏的问题［8］，且基于DFT的信道估计方法仅适用于ULA。为了解决能量泄漏问题，Dai等提出了一种基于离格更新的稀疏贝叶斯学习（Sparse Bayesian learning，SBL）信道估计方法［9］，同时进一步讨论了配置任意阵列的大规模MIMO系统的信道估计方案。……