用于基于学习的FDD大规模MIMO上行到下行协方差转换的平均空间频率解耦

arXiv:2610.00596v1 公告类型：cross 摘要：本文研究频分双工（FDD）大规模多输入多输出（MIMO）系统中的上行（UL）到下行（DL）信道协方差矩阵（CCM）转换问题，以减轻信道估计所需的繁重下行训练和反馈负担。基于学习的方法在阵列规模较小时表现良好，但对于固定的数据集规模，其精度会随着天线数量的增加而下降，最终甚至不如简单的基于模型的方法。本文确定了导致这一现象的一个关键原因，并对此加以解决。平均到达角（AoA）会在CCM的各个滞后项上产生相位斜坡。由于该斜坡的振荡速率会随天线数量增加，固定规模的数据集相对于需要捕获的变化而言会变得越来越稀疏。我们提出从UL CCM中单独估计该斜坡的斜率，并以闭式形式将其映射到DL频段，使学习器处理的残差在很大程度上不受平均AoA影响，从而显著减小天线数量增加所导致的性能下降。所提出的方案称为deramping，是由预处理和后处理步骤组成的组合，可应用于基于学习的转换方法，而无需改变其内部结构；这一点已在三种结构不同的学习器上得到验证。仿真结果表明，在均匀、拉普拉斯和高斯角度功率谱下，deramping均能降低这三种学习器的协方差估计误差，使基于插值的学习器在大规模阵列下保持领先于基于模型的基准方法，并改善下行信道估计效果。