信号传输系统综述
通信系统中同步技术的研究综述
法。 由于导频本身并不包含所要 传送的信息，对频率和功 率有限制，要求导频尽可能小地 影响信息传送，且便于提
取 同， 才谈得 上正确 地取 样判 决，因此位 同步 是正确取样判决 的基础 。
（）自同步 法：发送端不发 送专门的 同步信息 ，接收 ２ 端设 法从 接收 到的信号 中提取 同步信息 的方法 。这种 方法
效率高，干扰低，但收端设备较复杂 】 ４ 。
３ 同步技术的实现方法
自 同步 法 是 我 们 最 希 望 的 同 步 方 法 ， 因 为 可 以 把 全 部 功 率 和 带 宽 分 配 给 信 号 传 输 。 在 载 波 同 步 和 位 同 步 中， 两 种 方 法 都 有 采 用 ， 自 同步 法相 对应 用 较 广 ； 而 群 同步 一
调 ，使 整个 网能 按 一 定 的节 奏 有 条 不 紊 的工 作 。
（）载波 同步在 自同步下 有平方变换法 、平 方环 法和 １ 同相正 交环法，基本思想都是将不直 接包含载 波成分 的信 号进行 非线性变换后，从 中提取载波 。这几种 方法都存 在 相位模糊 的问题，前两个方法广泛用于抗相位模糊 能力强
的ＤＰ Ｋ 号 解 调 ， 后 法 由 于 采 用 了锁 相 环 ， 提 取 的载 波 Ｓ 信
通 过上面 的阐述，我 们可 以从 整体上 清晰 了解４
种 同步 的 关系是 互为前 提， 一脉相 承 的：接 收到 已调 信 号，利用载波同步产生的相干载波完成相干解调，还 原出 基 带信 号之后，在位 同步的保证下进行取样 判决，恢 复出
维普资讯
圆 圈 圜 困
１ 引言
同步是通 信系 统 中一个 ｊ 情况下，收发双方不在一地，
工 作 ， 必 须 要 有 同 步 系 统 来 保
复数信号处理技术综述
复数信号处理技术综述引言复数信号处理技术是一种广泛应用于各个领域的信号处理方法。
它利用复数域中的数学运算和理论，对信号进行处理和分析，能够提供更为准确和全面的信息。
本文将对复数信号处理技术进行综述，介绍其基本原理、应用领域以及未来发展方向。
一、复数信号处理技术的基本原理复数信号处理技术是建立在复数域上的信号处理方法。
复数信号是由实部和虚部构成的信号，具有时域和频域上的特点。
在复数域中，各种信号处理方法都可以通过复数运算来进行，并能够更好地描述信号的特性。
1. 复数信号表示在复数信号处理技术中，复数信号可以通过复数表示，如$a + jb$，其中$a$表示实部，$b$表示虚部，$j$为虚数单位。
复数信号可以用来描述振幅、相位等信号特性，提供了更丰富的信息。
2. 复数域上的运算复数域上的运算包括加法、减法、乘法和除法等。
通过复数的运算，可以对信号进行加减乘除等各种处理操作，实现滤波、增强、分析等信号处理任务。
3. 傅里叶变换傅里叶变换在复数信号处理中有着重要的地位。
在复数域上进行的傅里叶变换能够提供具有相位信息的频域表示，是分析和处理复杂信号的重要工具。
二、复数信号处理技术的应用领域复数信号处理技术在多个领域都有广泛的应用，包括通信、声音、图像等。
1. 通信领域在通信领域中，复数信号处理技术可以用于调制解调、信道均衡、信号重构等方面。
利用复数信号处理技术，可以提高信号传输的可靠性和效率。
2. 声音信号处理对于声音信号的处理，复数信号处理技术可以用于降噪、音频增强、语音识别等方面。
通过对声音信号的复数域分析和处理，可以提取出更准确的声音特征和信息。
3. 图像处理在图像处理中，复数信号处理技术可以用于图像增强、去噪、图像变换等方面。
通过对图像的复数域操作，可以改善图像质量和清晰度，提高图像分析和识别的准确度。
三、复数信号处理技术的未来发展方向随着科技的不断进步和应用需求的增加，复数信号处理技术也在不断发展。
5G毫米波信道估计研究综述
doi :10.3969/j.issn.1001-893x.2021.02.020引用格式:罗皓,于秀兰,张祖凡,等.5G 毫米波信道估计研究综述[J].电讯技术,2021,61(2):254-262.[LUO Hao,YU Xiulan,ZHANG Zufan,et al.Channel estimation for 5G mmWave communications systems:a survey[J].Telecommunication Engineering,2021,61(2):254-262.]5G 毫米波信道估计研究综述∗罗㊀皓∗∗,于秀兰,张祖凡,甘臣权(重庆邮电大学通信与信息工程学院,重庆400065)摘㊀要:信道估计是大规模多输入多输出(Multiple -Input Multiple -Output ,MIMO )毫米波(MillimeterWave ,mmWave )系统关键技术之一㊂梳理了近几年大规模MIMO 毫米波的信道估计策略,重点从压缩感知(Compressive Sensing ,CS )㊁参数估计和深度学习三个方面进行了描述与分析㊂通过算法性能的对比,总结了毫米波信道估计目前存在的问题以及未来发展的趋势㊂关键词:大规模MIMO ;毫米波通信;信道估计;压缩感知;参数估计;深度学习开放科学(资源服务)标识码(OSID):微信扫描二维码听独家语音释文与作者在线交流享本刊专属服务中图分类号:TN911㊀㊀文献标志码:A㊀㊀文章编号:1001-893X (2021)02-0254-09Channel Estimation for 5G mmWave CommunicationsSystems :a SurveyLUO Hao,YU Xiulan,ZHANG Zufan,GAN Chenquan(School of Communication and Information Engineering,Chongqing University of Posts andTelecommunications,Chongqing 400065,China)Abstract :Channel estimation is one of the key techniques of massive multiple -input multiple -output(MI-MO)millimeter wave(mmWave)systems.The channel estimation strategies of massive MIMO mmWave in recent years are combed,focus with on the description and analysis from the three aspects of compressed sensing,parameter estimation,and deep learning.Through performance comparisons of algorithms,the cur-rent problems and the future development trends of mmWave channel estimation are summarized.Key words :massive MIMO;mmWave communication;channel estimation;compressed sensing;parameter estimation;deep learning0㊀引㊀言至今为止,蜂窝通信一直受6GHz 频段限制㊂虽然微波频段具备较好的传输特性,并在现阶段取得了显著的传输效果,但1~2GHz 的频带带宽不足以支持下一代移动通信技术㊂由香农定理可知,增加传输带宽可以增大信道容量,开发新频段无疑是最有效的办法之一㊂30~300GHz 的毫米波(Milli-meter Wave,mmWave)提供远超微波的传输频段,拥有足以支撑起下一代移动通信的带宽,能提供更高的传输速率和更大的吞吐量㊂如今,5G 毫米波技术逐渐成熟,但仍存在技术问题待解决和优化㊂由于毫米波极易受环境影响且存在严重的路径损耗,技术上采用大规模多输入多输出(Multiple -Input Mul-tiple -Output,MIMO)波束成形技术,对传输信号进㊃452㊃第61卷第2期2021年2月电讯技术Telecommunication EngineeringVol.61,No.2February,2021∗∗∗收稿日期:2020-05-21;修回日期:2020-06-28基金项目:国家自然科学基金资助项目(61702066);重庆市自然科学基金项目(cstc2019jcyj -msxmX0681);重庆市教委科学技术重点研究项目(KJZD -M201900601)通信作者:S180101108@行预编码,弥补功率损耗㊂传统预编码技术包括全数字基带预编码和全模拟预编码调制技术㊂其中,全数字预编码要求拥有与天线数目相同的无线射频(Radio Frequency,RF)链,在大规模MIMO毫米波系统中会产生难以承受的硬件成本;模拟采用相位控制,虽然成本低但效果远低于前者,不适用于毫米波㊂研究表明,混合预编码(模拟-数字混合波束成形器)可以较好地结合前两者优点[1-2],以更少的RF获得与全数字预编码器相似的性能㊂在混合预编码器中,拥有准确的信道状态信息(Channel State Information,CSI)和波达角非常重要㊂CSI是连接收发两端的重要桥梁,只有精确CSI条件下,才能够利用大规模MIMO多天线优势提供更多自由度,从而提升信道容量[3]㊂CSI估计通常分为盲估计㊁基于导频估计和半盲估计三类㊂盲估计利用收发信号的二阶统计特性进行信道估计,在实际中往往存在过高的复杂度;基于导频的估计方法通过发送正交导频估计CSI,复杂度较低且实时性强;半盲估计是前两者折中,结合信号二阶统计特性和传输导频精确估计CSI㊂然而在大规模MIMO毫米波通信中,随着大规模MIMO 天线维度增加,获取精确统计信息的难度使盲估计方法受到质疑㊂因此,需要进一步研究不依赖信道统计信息的估计算法㊂基于导频信道的估计算法需要发射端发射训练导频,然而需要导频数目与天线数成正比,并且复用的导频序列会导致导频污染㊂另一方面,传统的CSI估计算法,例如,最小二乘法(Least Squares,LS)和最小均方误差(Minimum Mean Square Error,MMSE)算法不符合大规模MIMO系统,因此非常有必要研究新型的CSI估计算法㊂总之,毫米波与大规模MIMO技术互补带来的巨大优势成为下一代移动通信研究热点,信道估计是技术成熟面临的重大挑战,具有十分重要的学术研究价值㊂1㊀信道估计研究现状1.1㊀基于压缩感知的信道估计2006年,Donoho等人[4]提出压缩感知(Com-pressive Sensing,CS)概念框架,并用数学模型为理论提供支撑㊂压缩感知理论突破了奈奎斯特采样定理对信号维度的限制,避免稀疏信号在奈奎斯特采样时会产生的大量冗余信息,并缓解硬件设备和算法负担㊂压缩感知理论主要包括稀疏变换㊁稀疏测量和重构算法㊂首先根据原始信号选择合适的稀疏域,即在该稀疏基下信号表现为稀疏,经过测量矩阵转化为稀疏信号后,得到非零变换系数较少的矩阵㊂测量矩阵需要满足非相干性和限制等容性,对信号压缩的同时保留原始信号携带的关键信息,为精确重构信号提供基础㊂因此,如何选择稀疏域和测量矩阵是毫米波信道估计的关键㊂根据压缩感知理论,在衍生虚拟信道模型近似实际信道[5]条件下,以导频接收作为测量值,将信道估计等价为稀疏信号恢复问题㊂然而,利用导频测量信号重构信号信道是一个无法直接求解的欠定和非凸问题,存在计算困难和稳定性差等挑战㊂通常解决非凸问题是将其转化为凸问题,近似得到计算值㊂基追踪(BasicPursuit,BP)算法是凸优化中最具有代表性的,通过线性规划的思想,逼近真实值且性能稳定,但复杂度太高,极难运用在采样点多的场景下㊂为解决精准重构和BP算法复杂度高等问题,基于迭代和最小二乘估计的贪婪算法被提出,包括匹配追踪(Matc-hing Pursuit,MP)算法和正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法等㊂另外,依靠稀疏信号先验分布的贝叶斯重构算法也得到大量研究,对重构不确定信号模型的信道矩阵十分有效[6]㊂如今,基于CS的毫米波信道估计已得到大量研究和发展,接下来从解决硬件和环境影响㊁折中精度和复杂度两个方面介绍目前研究现状㊂(1)解决传输环境影响实际中,大规模MIMO毫米波无线传输系统往往受环境和硬件缺陷影响,会出现相位偏差㊁功率丢失㊁硬件损耗等引起的失真问题,需要面向实际情况解决研究信道估计㊂对于mmWave大规模MIMO 频带选择性衰落信道,Gao等人[7]研究出一种基于分布式压缩(Distributed Compressive Sensing,DCS)的信道估计方案,通过分布式网络匹配追踪和自适应测量,得到较好的信道估计结果并成功解决角度功率泄露的问题㊂作者采用内外循环迭代的方式,首先在外循环中估计有效路径的导向矢量和增益,在内循环中采用网格匹追踪配策略,并提出构造自适应完备测量矩阵解决泄露问题㊂同样,为解决到达角/发射角(Angle of Arrival/Angle of Departure, AOA/AOD)造成的功率泄露问题,文献[8]基于全维透镜阵列的mmWave定制全维透镜专用冗余字典,这是全维透镜阵列冗余字典设计的首次尝试㊂另外,文中考虑到传统CS算法不适用于少量或有限RF链的天线切换网络,设计出基于测量矩阵互㊃552㊃第61卷罗皓,于秀兰,张祖凡,等:5G毫米波信道估计研究综述第2期相干性最小准则的专用基带导频序列㊂最后采用传统的OMP算法恢复稀疏信号,得到优于双交叉检查算法[9]和LS算法的估计性能㊂考虑到传输过程中硬件缺陷会导致信号失真,文献[10]在正交频分多路复用技术(Orthogonal Frequency Division Multiple-xing,OFDM)大规模MIMO毫米波系统中提出硬件损耗下信道估计算法㊂文中基于DCS,利用不同子载波频域稀疏性改良现有估计方法,并提出用于压缩后的稀疏信道进行恢复的变分贝叶斯算法,降低导频开销的同时极大提高了信道估计的精度㊂该算法采用身份拒绝策略设计分层信道模型,去除由于硬件缺陷带来的随机离群值,提高了鲁棒性㊂为解决角域中离散角点产生的离网效应,文献[11]通过参数摄动和OMP,提出了一种用于精确估计离网参数和权重的算法㊂算法在连续的AOA/AOD空间运行,避免了网格损失,能够有效的减小重构误差㊂从毫米波硬件带来导频信号相位畸变问题出发,文献[12]利用毫米波部分相干性,即来自不同链路同一时间帧具有相同相干性,提出一种新的网格局部相干压缩感知恢复算法(Partially Coherent Compressive Phase Retrieval,PC-CPR)和离网型PC-CPR㊂算法先用部分相干性初始估计,再通过迭代求精,将估计的每帧共享相位偏移代替以往研究中所有导频的相位,在导频受相位影响情况下得到了较好的估计结果,拥有较强鲁棒性㊂文章研究表明,当RF数量足够大时,部分相干性趋近于全相干性,但在RF小的特殊情况下会受到影响㊂(2)提高精度和优化复杂度CSI是否完整和精确直接影响无线传输系统性能,获得精确估计值一直是CSI估计的重要目标㊂例如,文献[13]通过改进稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法,在OFDM单用户场景下,将信噪比大小考虑到稀疏信道支撑集中,通过优化SAMP迭代步长提高稀疏信道估计的精确度㊂在文献[14]中,作者提出基于多测量矢量模型的稀疏贝叶斯学习信道估计算法,采用不需要信道稀疏度的贝叶斯学习算法,避免了不合适稀疏度带来的性能不稳定㊂文章首先在SV模型的基础上构建多测量矢量模型,然后基于贝叶斯推导出信道元素的后验概率分布,最后使用最大期望算法(Expectation-maximization algorithm,EM)计算后验概率中的超参数,得到明显精度优势的估计结果㊂为进一步提高信道估计的准确性,文献[15]推出透镜天线阵列信道响应和多路径稀疏性特性的联合公式,用EM算法计算公式参数和信道信息㊂该策略得到了较高的恢复精度,但引入了其他信道参数,增加了系统复杂度,在简化参数估计后,复杂度仍然需要优化㊂在文献[16]中,作者提出一种基于贝叶斯匹配追踪(Bayesian Matching Pursuit, BMP)的稀疏信道估计算法㊂算法首先设置稀疏模式,将稀疏信道非零元素假设为特殊的高斯分布,得到统计假设后选取最高后后验概率的稀疏模式估计信道,估计结果优于基于OMP和稀疏贝叶斯的压缩感知算法㊂复杂度是大规模MIMO信道估计的主要问题,高复杂度无疑会使硬件负载过大,处理所耗费的时间更多,影响无线传输性能㊂基于CS的毫米波信道估计虽然利用了信道的稀疏性,但仍需进一步降低复杂㊂研究表明,大规模MIMO毫米波信道不仅在频域有稀疏性,在时域方面也表现稀疏㊂文献[17]联合时域和角域稀疏性设计了特殊的训练模式捕获信道抽头,采用能量检测器识别有效信道抽头,再利用有效抽头的角稀疏估计信道,有效降低了估计计算复杂度㊂该文就低估稀疏性问题提出了一种优于专家经验的选择策略,充分利用稀疏性降低估计复杂度㊂此外,文献[18-19]分别基于贝叶斯CS和动态阈值解决毫米波MIMO信道估计问题,得到了优于传统算法的性能结果㊂大规模毫米波信道稀疏性为基于CS的信道估计算法提供可靠条件,是未来毫米波信道估计最重要研究内容之一㊂1.2㊀基于信道参数的信道估计历史研究结果表明,估计变量的减少会降低误差[20]㊂物理模型下,每个信道路径信息可由角度和增益组成,将CSI估计转化为波达角(Direction of Arrival,DOA)㊁复增益等矢量估计是一种更为直接高效的方法㊂信道参数估计可以避免直接处理大规模MIMO信道矩阵,能有效提高信道估计性能㊂信道参数估计中,DOA估计至关重要㊂传统的DOA估计方法主要包括多重信号分类(Multiple Sig-nal Classification,MUSIC)和旋转不变子空间(Esti-mation of Signal Parameters via Rotation Invariant Technique,ESPRIT)算法㊂MUSIC算法将信号阵列的协方差矩阵进行特征分解,分解空间划分为信号子空间和噪声子空间,再利用两个空间正交性估计接收信号方向参数㊂但MUSIC算法运用场景苛刻,需要同时满足以下条件:阵列为线性阵列,且阵列间距离不超过最小波长的1/2;信道传输噪声为零均值加性高斯白噪声;入射信号必须是互不相干信号,信源数目小于阵列数目㊂ESPRIT是利用接收数据㊃652㊃电讯技术㊀㊀㊀㊀2021年协方差矩阵分解信号子空间的旋转不变性,通常运用在雷达角度估计中㊂由于大规模MIMO毫米波混合预编码结构与传统MIMO和雷达结构完全不同,前两种算法不能直接运用,需要针对大规模MIMO 毫米波传播系统对算法扩展㊂文献[21-22]分别设计了导频传输方案,并提出基于ESPRIT和DOA的信道估计算法㊂考虑毫米波信道角域稀疏性,文献[23]在二维离散变换后,利用离散傅里叶变换后识别的信道峰值初步估计DOA(仰角和方位角),再利用旋转不变法,通过设定不同搜索导向范围,精确DOA范围值,最后采用LS方法细化估计信道增益,计算出信道矩阵㊂信道参数也可以通过迭代方法估计得到㊂信道测量方面,通常基于射线追踪模型得到大量实际接收值,从而估计信道参数和CSI㊂例如,文献[24-25]基于最大似然的空间交替广义期望最大化(Space-Alternating Generalized EM,SAGE)算法在多频段下估计视线(Line of Sight,LOS)和非视线(Non-Line of Sight,NLOS)室内场景的信道参数,包括多路径损耗的延迟㊁角参数㊁增幅等㊂作者通过信道参数估计得到CSI,提出符合测量结果的信道模型㊂其中,SAGE是EM的扩展,将每条路径看作相互独立的传输信道,通过对参数子集分割迭代搜索最大化似然函数的参数㊂在随机信道模型基础下,通常采用SV模型,将CSI简化后转化为信道参数,通过采用迭代等估计信道参数㊂文献[26]提出一种基于迭代指标检测的IDCEA(Index Detection Based Channel Estimation)信道估计算法,从角域出发估计出分离不同强度的信道分量,再依次迭代估计DOA,并采用LS估计每个路径信号的信道增益㊂作者将估计得到的DOA和增益运用到混合预编码,取得了有效的结果㊂另外,文献[27-28]提出两阶段精确信道估计方案,将CS与信道参数估计结合得到精确的CSI㊂基于CS理论初步重构CSI后,采用最大化似然函数迭代更新信道参数(包括AOA㊁AOD和多径振幅),精确已有的信道估计,算法明显提高了估计精度㊂在快速变化的车载蜂窝系统中,文献[29]基于毫米波混合预编码和SV模型提出一种离散傅里叶的噪声消除信道估计算法㊂算法首先采用迭代消除初步估计路径的信道参数,通过能量分析,设置决策阈值提高信道参数估计精度,最后通过参数重构信道矩阵㊂在多路径和时变信道中,该算法能够降低噪声影响,具有较好的信道估计性能㊂但为了保证算法的有效性,判断有效路径采用的阈值设定过大,会引起不必要的复杂计算㊂为降低信道参数估计的巨大开销,文献[30-31]分别提出了基于二阶子空间和基于低秩张量的信道参数估计算法㊂二阶子空间算法采用两阶段顺序估计列序列和行序列,第一阶段通过采样信道矩阵部分列得到信道列子空间,第二阶段利用上一阶段的列子空间训练估计行子空间,减少了信道矩阵的调用次数㊂文献[31]中,作者将OFDM信号训练拟合为带有信道参数的三阶张量,为避免参数初始化和繁琐的迭代过程,提出了基于结构化分解的张量建模和信道参数恢复算法㊂仿真结果表明,两种算法在有效估计信道参数的同时极大地降低了估计复杂度㊂信道参数是CSI具体表现,以往研究表明信道参数估计是为了得到或进一步精确CSI㊂1.3㊀深度学习信道估计传统方法中,无论是压缩感知还是参数估计在获得精确CSI过程中都避免不了高维矩阵分解和迭代计算,很难在性能与复杂度间折中㊂自Hinton[32]指出多隐层神经网络具有强大的特征学习以来,深度学习逐渐成为学术界关注点㊂深度学习通过大量样本训练,能够有效提取数据隐藏特征㊂随着人工智能的发展,深度学习在通信领域已经得到广泛研究,在调制识别㊁信号检测㊁信道估计㊁CSI反馈等关键问题中也得到运用㊂深度学习有多种结构,常用在信道估计中有深度神经网络(Deep Neural Net-work,DNN)㊁卷积神经网络(CNN Convolutional Neu-ral Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)㊂近年来,研究员尝试运用DNN和CNN解决毫米波信道估计问题,并取得了部分成果㊂(1)信道矩阵的二维图像处理在图像处理领域中,深度学习已经得到广泛运用,而大规模MIMO毫米波信道矩阵在波束空间中是二维的,可看作2D图像进行处理㊂Soltani等人[33]将导频信道时频网格的实部和虚部分别看作两个2D图像矩阵,利用图像处理技术和深度学习方法,基于超分辨率(Super-Resolution,SR)和图像修复(Image Restoration,IR)算法提出SRCNN与IRCNN融合卷积神经网络的信道估计算法,结构如图1所示㊂利用插值法得到低分辨率初始信道矩阵,通过SRCNN神经网络提高矩阵分辨率,最后将IRCNN网络作用于去噪,提高信道矩阵精度㊂低信噪比和高信噪比神经网络框架分别在12dB和22dB条件下训练得到,两个模型分别在低和高信噪比区域性能优于MMSE估计㊂但提出的深度学习框架受限于矩阵恢复最优权值输出受信噪比影响和信道环境变化,需要重新训练框架适应新模型和㊃752㊃第61卷罗皓,于秀兰,张祖凡,等:5G毫米波信道估计研究综述第2期不同信噪比㊂图1㊀SRCNN -IRCNN 信道估计模型[33]文献[34-35]在融合图像去噪技术基础上,提出新的大规模MIMO 毫米波CSI 估计算法㊂文献[34]提出一种快速灵活的卷积神经网络,如图2所示㊂文中将信道矩阵看作2D 图像,并将矩阵分块成4个子矩阵,用残差去噪方式先估计噪声值再得到CSI㊂网络通过输入不同水平噪声体现对不同噪声处理的灵活性,但是不同噪声会使神经网络重新进行一次训练㊂后续作者对算法进行改良,利用CBDNet 网络挖掘信道稀疏性和恢复信道,提出用混合神经网络㊁连续非线性输出和损失函数扩大信噪比范围并加速收敛[35]㊂图2㊀快速卷积神经网络信道估计模型[34]在基于透镜天线阵列的大规模MIMO 毫米波传输模型下,文献[36]针对传统LDAMP 算法进行改进,将线下训练好用于去噪的DnCNN 模型镶嵌在LDAMP 架构中,每次迭代的信道矩阵都经过一次去噪,从而更精确恢复信道矩阵㊂其中DnCNN 模型结构类似于图2,通过估计出信道中的噪声矩阵得到去噪信道矩阵㊂(2)信道参数估计文献[37]基于射线追踪模型,将DNN 作为黑盒子代替整个大规模MIMO 传输系统并估计DOA,避免大规模天线中繁琐复杂的特征分解㊂针对不同的信道模型得到接收信号,并以接收信号与随机产生的DOA 作为训练集样本,神经网络训练后输入接收信号输出DOA 估计值,再用DNN 框架提取信号有用特征,由相同神经网络模型估计复增益量,最后由复增益和角度得到信号估计值㊂然而文中将大规模MIMO 系统完全看作一个黑盒子,在编码㊁解码和噪声部分用深度学习框架代替,信号在信源到信宿传播信道过程没有得到具体实现㊂同样,文献[38]讨论将信道估计转为矢量估计,即DOA 估计和复增益估计,可以获得更好的性能,并将信道和由信道产生的接收信号作为训练样本,线下训练DNN 得到DOA 和增益估计值,复用相同深度神经网络框架在低复杂度下得到了优于传统算法的性能㊂(3)其他估计策略为避免采用传统方法附带的高额计算复杂度,文献[39]基于半盲估计提出两阶段神经网络训练信道估计法㊂首先设计DNN 利用导频信息初步估计CSI,将导频信道矩阵作为信道估计第一次迭代值,辅助接收数据进行信道估计,从而提高精确度㊂将信道估计分成两个训练模块,利用神经网络避免天线数对导频长度的约束,这种方法可以提高最低信道传输容量和提升传输效率㊂CSI 准确性一直是估计的重要目标,进一步提高CSI 精确度非常有必要㊂城市微街道非视线场景下,Dong 等人[40]基于导频训练,考虑两个子载波联合信道估计,利用空间和频率相关性进行精确信道估计㊂如图3所示,由于相邻子载波间频率相关性提供额外信息,初步估计CSI 后,将一组相邻子载波的初始信道矩阵输入到CNN,用神经网络深层特征提取优势精确估计CSI㊂CNN 方案明显优于非理性MMSE 估计,近似理想MMSE,且在系统假设下复杂度远低于理想MMSE㊂同样是利用空间和频率相关性,文献[41]提出空间-频率卷积神经网络(Spatial -FrequencyCNN,SF -CNN)算法估计信道,与前者类似,对相邻子载波初始信道矩阵进行卷积㊂其后,作者提出空间-频率-时间CNN (Spatial -Frequency -Temporal CNN,SFT -CNN),将时间相关性融合到SF -CNN 中,以减轻导频开销㊂具体地,在时变SV 模型条件下,每4个连续相干区间认为一个单元,第一个单元添加导频信号,相干区间通过相关性估计后续无导频信道㊂算法减少能导频开销,有效避免导频污染㊂图3㊀频率相关CNN 联合信道估计模型[40]㊃852㊃ 电讯技术㊀㊀㊀㊀2021年(4)基于深度学习的毫米波信道估计总结深度学习在毫米波信道估计中仅处于初步探索阶段,表1对基于深度学习的毫米波信道估计技术进行了总结㊂表1㊀基于深度学习的毫米波信道估计总结文献算法模型理论依据优势不足[33]SRCNN-IRCNN图像精确和去噪技术融合图像处理提高精度,复杂度低信噪比对模型性能会产生影响[34-35]FFDNetCBDNet图像残差去噪灵活处理不同噪声不同噪声需要另外训练,开销大[36]LDAMP-DnCNN近似消息传递和残差去噪改进LDAMP算法,提高精确度收敛于五层之内,依然需要迭代[37]DNN信道参数估计精确估计信道参数DNN代替整个传输系统[38]DNN信道参数估计精确估计增益和角度需要精确的模型支持[39]Two Stage半盲估计避免天线对导频约束,效率高DNN和迭代技术融合,较复杂[40]CNN空间和频率相关性减少计算,利用相邻子载波提高精度信道矩阵预处理,输入维数与天线成正比[41]SFT-CNN空间㊁频率和时间相关性降低复杂度,减少导频开销,减轻导频污染实际时变系统中盲估计下一时刻CSI值不准确1.4㊀毫米波信道估计总结根据1.1~1.3节对相关文献研究的分析,表2总结了基于压缩感知的信道估计㊁基于参数估计的信道估计和基于深度学习的信道估计策略的优缺点㊂表2㊀毫米波信道估计方法总结毫米波信道估计策略文献优点缺点基于压缩感知的信道估计针对环境影响[7-11]相位偏差㊁角度功率泄露㊁网格效应和频率偏移下能取得较好性能复杂度较高,没有考虑足够稀疏度优化精度和复杂度[13-19]信道估计精度较高;考虑信道稀疏性降低复杂度难以在精确度与复杂度之间折中基于参数估计的信道估计传统参数估计[21-22]方法简便成熟大多不适合毫米波混合预编码信道模型迭代估计参数[24-29]参数估计和信道矩阵重构精度高迭代复杂度高;没有充分利用稀疏特性训练传输信号估计参数[30-31]避免多次迭代,复杂度较低不精准的抽样矩阵和特殊的训练信号降低了系统性能基于深度学习的信道估计二维图像估计[33-36]信道参数估计[37-38]其他估计策略[39-41]充分利用深度学习提取特征;避免了传统方法复杂数学计算;固定输入变量不需要统计信息神经网络模型暂不能通用解决毫米波信道估计;训练数据集需求大,训练耗费时间长2㊀发展趋势和展望在毫米波通信系统中,随着天线部署数量不断增加,获得精确信道状态响应信息也变得更加复杂和困难,传统信道估计算法已不再适用,如何低复杂度地精确估计CSI是毫米波通信的研究热点和难点㊂毫米波信道特有的稀疏性为信道估计带来了新希望,基于CS的稀疏信道估计成为毫米波信道估计研究热点㊂但基于CS的毫米波信道估计仍处于理论研究阶段,存在不少问题,包括对信道稀疏度判断问题㊂目前信道稀疏度通常采用经验假设,由于㊃952㊃第61卷罗皓,于秀兰,张祖凡,等:5G毫米波信道估计研究综述第2期。
无线电能传输技术发展与应用综述
无线电能传输技术发展与应用综述摘要：无线电能传输（WirelessPowerTransfer,WPT）技术将电力电子技术和控制理论与技术等相结合，通过磁场、电场、激光、微波[等载体实现电能的无线传输，目前常见的无线充电方式主要是采用磁耦合无线电能传输技术。
与磁耦合无线电能传输技术相比，电场耦合式无线电能传输技术具有以下优点：耦合机构成本低、重量轻、形状易变；耦合机构周围磁场干扰较低；可以跨越金属障碍传能；在耦合机构之间或周围的金属导体上引起的涡流损耗很小。
因此，研究EC-WPT技术可以进一步推进WPT技术的发展和应用。
目前国内外学者围绕EC-WPT技术的多个方面展开了研究，并取得了丰富的成果。
基于此以下对无线电能传输技术发展与应用综述进行了探讨以供参考。
关键词：无线电能传输; 研究动态; 应用场景展望引言无线电能传输技术是一种不依靠导线的电能传输技术，通过电场和磁场将电能从电源端传递至用电负载端。
传统输电方式常以电线或电缆为媒介进行电能输送，存在线路老化、传输损耗、维护困难等诸多问题。
而ＷＰＴ技术摆脱了导线的束缚，以安全可靠、方便灵活、绿色环保等独特优势吸引了国内外大量专家学者的研究，得到了迅速发展，目前已经广泛应用于医疗电子、工业机器人、电动汽车领域，并且在水下机器人领域有巨大的发展前景1无线电能传输技术概述1.1 分段式耦合机构1.1.1 在DWPT系统中，为了降低系统待机损耗与电磁辐射，发射端通常采用分段式耦合机构。
然而，分段式发射结构给DWPT系统引入了新问题：相邻段发射极板间距离较近时，发射端口间的耦合会影响系统谐振，相反，极板间距较远时，系统过分段时输出电压将跌落。
1.1.2 在接收端位置以及负载电阻发生变化时，系统增益如何保持一致。
针对不同负载和位置条件下系统增益一致性问题，研究人员已针对MC-WPT系统提出了许多解决方案，通过补偿网络和耦合机构设计实现动态恒压输出。
MC-WPT系统以磁场为传能媒介，要实现输出恒压，需满足不同工况下各分段线圈附近的空间磁场均匀分布，即拾取端位置、负载电阻变化时发射线圈电流恒定。
光纤通信的传输技术应用
光纤通信的传输技术应用摘要：光纤通信传输主要就是利用光纤设施传导，实际传输质量与效率更为显著。
随当前通信环境日渐复杂，光纤通信技术及光纤传输系统也需要在未来建设中以增加容量为主，适当延长传输距离，从根本上保障信号传输质量，为大众提供高效通信服务。
关键词：光纤通信；传输；光波分复用引言光纤通信网络传输技术是通过光导纤维实现对光信号的传输，并经过光电转换设备进行光信号和信息的转换，进而实现信息传输的目的。
具体原理图如图1所示。
在具体应用中，需要将多根光纤聚集成一起，才能够组成用于信息传输的光缆。
1光纤通信系统特征与应用优势1.1光纤通信系统特征光纤通信系统与双向结构，具体包括正反两个方向。
每一端发射机及接收机组合在一起被统称为光端机。
光中继器也分为正反两个方向。
光纤通信系统中的发射机可以将电端机送来的电信号转变为光信号，利用耦合方式是光线中的信号能够高质传输，内部还配合安装了半导体激光装置。
光接收器中的光纤传输幅度值处于不断衰减状态，波形产生畸变，光信号又转变为电信号，用对于电信号进行放大与整形处理。
再生后的光信号可以与发射端形成一致的电信号并输入到电机及电接收机中。
光纤传输系统内中继器需要衰减与畸变的光信号进行放大、整形处理，同时生成具备一定长度的光信号，从根本上保障系统整体的通信质量水平。
1.2光纤通信系统应用优势光纤通信系统用通信系统相比，存在的优势较为显著。
（1）容量大。
与以往所用的铜线或者电缆相比，光纤的传输带宽有着非常大的优势，所以其在具体应用中能够进行更大容量信息的传输，这样即便对于多种不同大量信息的传输也可以获得良好的传输效果，有效避免了传输混乱的问题，大大提高通信传输效率。
（2）抗干扰强。
光纤是由石英制作而成，石英的强度和绝缘性能非常好，所以其在抵御电磁干扰方面有着极其良好的效果，无论是电气设备所产生的电磁干扰或是雷电等自然因素所引起的电磁干扰，都不会影响光纤的正常传输。
并且由于石英的强度和耐磨性相对较好，所以光纤光缆在具体使用中也不易出现损坏。
知己知彼,百战不殆--信道信息的获取和应用综述
知己知彼，百战不殆--信道信息的获取和应用上一回我们说到了变化莫测的MIMO信道，并且留下了一个美好的假设：“如果在发送数据之前，我们能够提前获得信道信息，是不是能对发送策略有指导作用，并且有效的帮助我们提升通信系统的性能呢？”本回内容，我们就来回答这些问题。
还记得上回开篇在介绍“相关性”时举得例子么？这里简单的回顾一下：假设有一车货物要从A地运到B地，有3条路可以选择，分别经过城市X，Y，Z。
在出发前我们听到天气预报说X市会有大雨，于是我们选择绕道走Z市，从而避开了受天气影响的X市和Y市。
这里，正是因为我们听到了天气预报，才能选出最佳的出行路线，所以“天气预报信息”为我们的出行提供了非常有效的帮助。
在无线通信系统中，“信道状态信息（Channel State Information，CSI）”就相当于这个例子中的“天气信息”，那么如果我们能够在发送端掌握到及时、准确的“信道状态信息”，是不是就能“避开”那些信道条件不好的传播路径，从而提升通信系统的性能？答案当然是肯定的。
不过，发送端获得“信道状态信息”后，究竟能为MIMO通信系统带来多少好处，我们还是得从数学的角度进行分析，谁让数学是通信的基础呢。
首先我们可以想象一下，我们心目中最佳的信道矩阵，或者叫传输矩阵，应该具有什么样的结构？拿2x2MIMO 系统举例来说，它的传输矩阵具有以下形式（忽略噪声的影响）：我们可以很快看出，最佳的传输矩阵H，应该具有的形式是：当传输矩阵拥有这种“对角阵”的形式时，X1和X2和它进行矩阵相乘后，得到的仍然是X1和X2，就好像X1和X2各自通过了一条“透明”的子信道到达接收端，两者之间也没有任何干扰。
然而“理想很丰满，现实很骨感”，要是现实中的通信系统都能拥有如此完美的传输过程，恐怕一大半的MIMO研究人员都可以下岗了。
我们知道，现实中的传输矩阵，里面的各个元素都是按一定的概率统计规律随机变化的，根本找不到半点“对角阵”的影子。
空天通信网络关键技术综述
空天通信网络关键技术综述随着科技的快速发展，空天通信网络已经成为航天技术领域的热点之一。
空天通信网络是一种用于空中和太空中的通信网络，具有高速、高效、可靠的特点，是实现航天器之间、航天器与地面之间信息传输的重要手段。
本文将综述空天通信网络的关键技术，包括空间无线通信技术、卫星通信技术、高速数据处理技术、网络安全技术等。
空间无线通信技术是空天通信网络的重要组成部分，主要解决空间飞行器之间或航天器与地面之间的信息传输问题。
由于空间环境的特殊性，空间无线通信技术相比地面无线通信技术具有更高的复杂性和难度。
常见的空间无线通信技术包括微波通信、激光通信、毫米波通信等。
微波通信是当前空间通信的主流技术，具有传输容量大、传输质量稳定等特点。
激光通信具有高速、高带宽、低延迟等优点，适合用于高速数据传输。
毫米波通信具有极高的频段和传输速率，能够提供极高速的无线通信服务。
卫星通信技术是利用人造卫星作为中继站实现地球站之间的通信。
卫星通信技术具有覆盖范围广、通信距离远、可靠性高等优点，因此在航天领域得到广泛应用。
现代卫星通信系统通常采用多个卫星构成星座，以实现对全球的覆盖。
常见的卫星通信技术包括多路复用技术、数字调制技术、信道编码技术等。
卫星通信技术还涉及到卫星平台设计、天线设计、功率控制等方面的技术。
空天通信网络需要处理大量的数据，因此需要采用高速数据处理技术以提高数据传输和处理速度。
高速数据处理技术包括并行处理技术、云计算技术、大数据技术等。
并行处理技术是一种同时处理多个任务的技术，能够提高数据处理速度和效率。
云计算技术是一种基于网络的数据中心技术，能够提供强大的计算和存储能力，适合用于大规模数据处理。
大数据技术则是一种针对海量数据的高效处理技术，能够提取出有价值的信息并做出有价值的预测。
空天通信网络涉及到大量的信息安全问题，因此需要采用网络安全技术以保证网络的安全性。
常见的网络安全技术包括加密技术、身份认证技术、防火墙技术等。
移动通信技术发展综述
移动通信技术发展综述摘要：移动通信技术经过近百年的发展，已经逐渐成熟。
本文将对移动通信技术的发展历史进行简单的介绍，并对第三代移动通信商用化进程进行一下讨论。
一、移动通信技术发展简介蜂窝前:–1921年，底特律警察局开始试验使用“移动”无线通信。
单工，用于通知。
–30年代，警察局用的双向系统开通，40年代，以行业应用为主的双向系统在各个行业兴起。
但是没有同固定电话网互联。
双工，用于专业网–40年代末，AT&T开始真正的商用公用移动通信系统。
公众系统60年代中期到70年代中期，美国推出改进的移动电话系统（IMTS), 使用450 MHz，大区制，中小容量，实现了自动选频并能够自动接续到公用电话网。
比较成熟的公众系统.蜂窝后（小区制）：70年代末80年代初有商用系统，在20年内经历了两代目前正在向第三代系统迅速演进。
第一代蜂窝移动通信系统–模拟蜂窝移动通信系统（语音）–典型系统：TACS、AMPS第二代蜂窝移动通信系统（语音和数据）–数字蜂窝移动通信系统–典型系统：GSM、IS-95 CDMA第三代蜂窝移动通信系统（3G，多媒体）–正在发展的蜂窝移动通信系统–典型系统：WCDMA、CDMA-2000、UWC136第一代蜂窝移动通信系统特点：–模拟移动通信系统（语音信号是模拟信号）–采用小区制、蜂窝组网–多址接入技术：频分多址（FDMA）发展简况：–美国AMPS（Advanced Mobile Phone System），第一个蜂窝系统，1983年投入商用。
–英国TACS（Total Access Communication System），1985年投入商业。
我国采用这种制式。
–北欧NMT（Nordi Mobile Telephone），丹麦、芬兰、挪威瑞典使用，1981年投入使用，是世界上第一个具有漫游功能的蜂窝电话。
–日本HCMTS（High Capacity Telephone System），1980年开通。