تخمين كانال سامانه‏ هاي چندورودي- چندخروجي حجيم با آرايه آنتن لنز بر اساس يادگيري عميق در مخابرات موج ميليمتري

Deep Learning-based Channel Estimation for Beamspace mmWave Massive MIMO Systems With Lens Antenna Array

از مزاياي سامانه ‏هاي چند ورودي-چند خروجي (MIMO) ميتوان به افزايش ظرفيت، دستيابي به نرخ اطلاعاتي بالاتر، كاهش تأثيرات مخرب ناشي از پديده چند مسيري و تداخل اشاره كرد. جهت اجتناب از مسائلي همچون ترافيك و تداخل، فناوري موج ميليمتري و كار در باندهاي فركانسي 30 الي 300 گيگا هرتز، ميتواند در ترافيك‏هاي بالا موثر بوده و موجب افزايش قابل ملاحظه‏ي بازده طيفي، نرخ داده و پهناي باند وسيعتري شود. استفاده از آرايه آنتن لنز در MIMO انبوه موج ميليمتري باعث مي شود تعداد زنجيره ‏هاي ‏‏فركانس راديويي (RF chain) كاهش ‏‏پيدا كند. مي‏دانيم كه هر كانال بي‏سيم و از جمله كانال‏هاي MIMO تحت تأثير انواع گوناگون اعوجاج فاز و فركانس است و اين اثرات در شرايط مختلف و براي كانال‏هاي مختلف متفاوت است. جهت شناخت تأثيرات فيزيكي كانال بر دنباله‏ي ورودي، از تخمين كانال استفاده مي‏شود. در اين مقاله، مسئله ‏ي تخمين كانال در MIMO انبوه در مخابرات موج ميليمتري بررسي مي‏شود. در اين راستا به كمك يادگيري عميق، الگوريتم روش عبور تقريبي پيام با تركيب گوسي (GM-LAMP) پيشنهاد و با ساير الگوريتم ‏هاي موجود مقايسه مي‏گردد. نتايج شبيه‏ سازي حاكي از آن است كه الگوريتم پيشنهادي، دقت تخمين بهتري نسبت به روش‏هاي موجود دارد.