基于深度学习的智能表面毫米波MIMO信道估计

研究了一个基于深度学习的大型智能表面(Large Intelligent Surface, LIS)毫米波多输入多输出(Multiple-Input Multiple-Output, MIMO)系统。为了克服波长和阵列间距相差较大的信号传输问题，传统的均匀线性阵列(Uniform Linear Array, ULA)被替代为均匀平面阵列(Uniform Planar Array, UPA)。提出了一种基于改进的双卷积神经网络——ChannelNet的信道估计方法。采用最小二乘(Least Squares, LS)算法获取初始化的信道信息，使用ChannelNet获得更高精度的信道信息，并重点探究了在UPA结构下的表现。通过与LS算法和多层感知器算法进行比较。结果表明，该算法在信道估计精度和效率方面均优于以上2种算法，且使用UPA结构的ChannelNet算法相对于使用ULA结构的表现更好。该方法在毫米波MIMO信道估计方面具有更好的性能。