1、面向 5G 的大规模天线无线传输理论与技术摘要 为了满足 2020 年无线通信传输速率达到现有系统千倍的需求，研究学者已开始了 5G 移动通信系统的研发，相比第四代(4G)，第五代(5G)移动通信需要在无线传输技术上取得突破性创新,以实现频谱效率和功率效率提升 10 倍的目标.其中,进一步挖掘多天线的空间复用能力是实现 5G 的关键途径，在接入点配置大规模天线阵列或多个接入点通过光纤互连形成大规模分布式多输入多输出(multiple-inputmultiple-output,MIMO)系统，可以大幅提高系统总的频谱效率。本文对大规模 MIMO 和大规模分布式 MIMO 的研究进行了综述，包括频
2、谱效率理论分析、信道信息获取、传输理论与技术和资源分配技术。关键词 5G 大规模 MIMO 大规模分布式天线系统频谱效率信道信息获取多用户MIMO 资源分配1 引言近年来,移动数据业务量几乎呈指数增长,到 2020 年将达到当前的千倍.同时,随着信息技术系统能源消耗所占比例的不断增加,降低移动通信网络系统的能耗已逐渐成为移动通信发展的重要目标.而目前的第四代移动通信系统(fourth-generation,4G),将难以满足未来移动通信对频谱效率和能耗效率的需求.这对第五代移动通信系统(fifth-generation,5G)的频谱效率和能耗效率提出了极大挑战.如何在 4G 基础上,将无线移动
3、通信的频谱效率和功率效率进一步提升一个量级 ,是5G 的核心所在.5G 的发展需要在网络系统结构、组网技术及无线传输技术等方面进行新的变革,从根本上解决移动通信的频谱有效性和功率有效性问题,实现更高频谱效率和绿色无线通信的双重目标.采用多天线发送和多天线接收(multiple-inputmultiple-output,MIMO)技术是挖掘无线空间维度资源、提高频谱效率和功效率的基本途径,近 20 年来一直是移动通信领域研究开发的主流技术之一.MIMO 技术可以提供分集增益、复用增益和功率增益.分集增益可以提高系统的可靠性,复用增益可以支持单用户的空间复用和多用户的空分复用,而功率增益可以通过波
4、束成形提高系统的功率效率.目前,MIMO 技术已经被LTE(longtermevolution,LTE),IEEE802.11ac 等无线通信标准所采纳.但是,现有 4G系统基站配置天线的数目较少,空间分辨率低,性能增益仍然有限.并且在现有系统配置下,逼近多用户 MIMO 容量的传输方法复杂度仍然较高.分布式天线系统是挖掘空间维度资源的另外一种途径5.在分布式天线系统中,处于同地理位置的配备多天线的节点,通过高速回程链路连接到基带处理单元,进而在同一时频资源上协作完成与单个或多个移动通信终端的通信.分布式天线系统中,多个节点与用户之间形成分布式 MIMO 信道 ,通过节点间的协作,形成协作MI
5、MO.协作 MIMO 不仅可以获得 MIMO 的 3 种增益 ,并且可以额外获得宏分集以及由于路径损耗降低而带来的功率增益68.同样,受限于现有标准中节点天线的配置个数,协作 MIMO 的性能增益受到限制.为了适应移动数据业务量密集化趋势,突破现有蜂窝系统的局限,研究者们提出在热点覆盖区域显著增加协作节点或小区的个数9,10,或在各节点以大规模阵列天线替代目前采用的多天线4,由此形成大规模协作无线通信环境(如图 1所示), 从而深度挖掘利用无线空间维度资源,解决未来移动通信的频谱效率问题及功率效率问题.大规模天线系统的基本特征是:在基站覆盖区域内配置数十根甚至数百根以上天线,较 4G 系统中的
6、 4(或 8)根天线数增加一个量级以上 .这些天线可分散在小区内( 称为大规模分布式 MIMO,即 Large-scaleDistributedMIMO),或以大规模天线阵列方式集中放置(称为大规模 MIMO,即 MassiveMIMO),如图 1 所示.理论研究及初步性能评估结果表明4,10,随着基站天线个数(或分布式节点总天线数目)趋于无穷大,多用户信道间将趋于正交.这种情况下,Gauss 噪声以及互不相关的小区间干扰将趋于消失,而用户发送功率可以任意低.此时,单个用户的容量仅受限于其他小区中采用相同导频序列的用户的干扰.大规模 MIMO 和大规模分布式 MIMO 的出发点是一致的,即通过
7、显著增加基站侧配天线的个数,以深度挖掘无线空间维度资源,显著提升频谱效率和功率效率,因而它们所涉及的基本通信问题 4 中国科学:信息科学第 46 卷第 1 期也是一致的 1).节点个数、节点配备的天线数目以及空分用户数的大规模增加,使得从传统 MIMO 及协作 MIMO 到大规模天线系统的演变,是一个从量变到质变的过程.因此,大规模天线系统的无线通信理论方法研究与传统 MIMO 系统也存在较大的差异.这也为研究者们提出了新的更具挑战性的基础理论和关键技术问题,包括大规模天线系统的容量分析、信道信息获取、无线传输技术资源分配技术等.本文给出了大规模天线系统中无线传输理论与技术方面的最新研究成果:
8、首先介绍了非理想信道信息下大规模天线系统的频谱效率理论研究;然后介绍了大规模 MIMO 的瓶颈技术,即信道信息获取技术,包括导频设计、信道参数估计、互易性获取方法;接着介绍了大规模天线系统的传输技术 ,包括大规模天线系统的多用户预编码、大规模天线系统的接收机;最后介绍了大规模天线系统的资源分配方法.本文所使用的符号定义如下.矢量用粗体小写字母表示,x.矩阵用粗体大写字母表示,A.I 表示单位阵.Aij 表示矩阵 A 第 i 行第 j 列元素.(),()T 和()H分别表示矩阵的共轭、转置和共轭转置.表示 Kronecker 乘积.Tr(A)和 det(A)分别表示矩阵的迹和行列式.diag(x
9、) 表示将向量 x 转化为对角矩阵， diagA1An表示生成对角块矩阵.2 大规模天线系统的频谱效率理论信道容量分析是系统设计和性能评估的基础.随着 MIMO 多天线技术的提出,许多研究学者重新发展了随机矩阵理论,包括 Wishart 矩阵及其特征值的统计特性11、大维随机矩阵的渐近统计特性11, 自由概率理论12以及确定性等同方法13.利用这些数学工具 ,研究学者对不同 MIMO 信道环境 (包括多用户 MIMO,分布式多用户 MIMO)的信道容量进行了大量的研究 .在理想信道信息下,这些方法同样适用于大规模天线系统的容量分析，然而,大规模天线系统也为研究者们提出了新的更具挑战性的理论问题
10、。首先,多用户大规模天线系统中,随着用户数和天线数目(或协作节点个数)大规模增加,信道信息的获取是系统实现的瓶颈.因此,必须研究导频资源受限下的信息理论.文献14 研究了大规模 MIMO 的上、下行传输的频谱效率和能耗效率 .由于导频污染严重影响大规模 MIMO 的性能,文献 14还考虑了信道估计对系统频谱效率的影响.文献15给出了同时考虑信道估计、导频污染、路径损耗和天线相关时,采用不同接收机下大规模 MIMO的频谱效率,并揭示出每用户需要的基站天线个数与接收机技术之间的关系.其次,大规模 MIMO 为蜂窝移动通信提出了更具挑战的问题,即多小区多用户蜂窝移动通信系统容量的极限问题.系统级的容
11、量是在多小区多用户容量分析的基础上,进一步考虑基站节点分布和用户分布,对整个蜂窝系统的容量评估,它对蜂窝系统的设计具有重要的指导意义.下面我们以多小区多用户分布式天线系统为例(大规模 MIMO 是其特例),考虑导频复用,对非理想信道信息下系统进行建模,然后给出了系统的渐近容量的闭合表达式.考虑非理想信道信息时,系统级频谱效率分析的结果还很少见,我们给出了一些可以进一步深入研究的方向.3 大规模天线系统的信道信息获取在大规模天线系统中,随着基站天线个数的增加以及空分用户数的增加,信道信息获取成为系统实现的瓶颈.对于上行链路,采用正交导频时,导频开销随着参与空分传输的用户总天线个数线性增加.同时,
12、对于下行链路,导频开销随基站侧天线总数线性增加.发送端已知下行链路信道信息是实现下行多用户预编码,多天线空分复用的必要手段.当基站侧天线数目远远大于用户总天线个数时,下行链路信道信息的获取成为大规模天线系统的瓶颈.对于时分双工(timedivisionduplex,TDD)系统,利用空中信道的上下行互易性,在相干时间内基站可以利用上行信道估计信息来进行下行预编码的设计,进而减少下行导频以及用户端信道状态信息(channelstateinformation,CSI)反馈的开销.而对于频分双工(frequencydivisionduplex,FDD)系统,缺乏上下行信道互易性,是应用大规模天线的主
13、要障碍.总的来说,大规模天线系统的信道信息获取面临如下问题.导频开销仍然随用户总天线个数线性增加,如何降低导频开销,有效利用导频资源,提高信道信息获取的精度,需要深入研究,这包括导频信号的设计、导频复用方法和先进的信道估计方法.另外,对于 TDD 系统,虽然空中信道满足上下行互易性,但是考虑到射频电路等影响,上下行整体信道是不互易的.因此,互易性校准对 TDD 大规模天线系统的实现至关重要.3.1 导频设计参考信号设计一直是移动通信系统设计的一项关键技术,它直接影响系统的传输效率和可靠性.目前 4G 系统的实现中可将参考信号按照功能分为用于获取信道质量的参考信号(CSIreferencesig
14、nal,CSI-RS)和用于解调数据的参考信号(demodulationRS,DM-RS).CSI-RS 通常采用全向发送 ,在时频域较稀疏,占用的资源较少,它可以用于信道质量测试,信道统计信息获取等功能.而 DM-RS主要用于解调数据,为了降低开销,它通常采用预编码导频导频设计时通常分为正交导频和非正交导频.正交导频分为时分正交(TDM)、频分正交(FDM)和码分正交(CDM)导频以及 TDM 或 FDM 与 CDM 的混合使用.这些技术已经被 4G 标准所采纳,其优点是干扰小,缺点是开销大 .特别地,在多小区大规模天线系统中,随着用户及天线数增加,无论是 CSI-RS 还是.DM-RS,开
15、销大大增加.如何设计导频信号并降低导频开销是我们面临的一个严峻的问题.为了降低多小区大规模天线系统的导频开销,研究学者们提出了非正交导频设计,主要包括两种,一种是将导频叠加在数据上,另一种是导频复用,前者会产生导频和数据间的干扰,而后者会产生严重的导频污染现象.文献30提出将多小区上行导频在时间上错开(time-shifted),利用干扰抵消去除导频与数据之间的相互干扰.文献30的结果表明,当基站侧天线个数趋于无穷大时,时间偏移导频方案可以降低导频污染.但是,当空分用户数目较大时,采用时间偏移导频的系统,基站需要增加更多的天线,以获取比同步导频更好的性能.文献31结合串行干扰抵消辅助的信道估计
16、方法,提出一种半正交导频设计,该半正交导频设计允许基站已经获得相应信道估计值的用户同时传输上行链路数据,极大提高用于传输有效数据的资源,降低导频资源开销导频复用是最早提出大规模 MIMO 理论时所采用的方法4. 仅根据大尺度衰落信息,以最大化和速率为目标,文献32进一步提出了贪婪算法,Tabu 搜索算法以及贪婪 Tabu 搜索算法的导频分配方法.随着对大规模 MIMO 信道研究的深入,研究学者发现当天线大规模增加时,信道在空间角度域具有稀疏性,而当带宽增加时,在时延域具有稀疏性.利用大规模 MIMO 信道稀疏性的特点,进行导频分配可以有效降低导频污染.在空间域,文献33证明,当复用相同导频的用
17、户的信道到达角区间互不重叠时,信道估计的均方误差之和可以达到最小.因此,当信道角度域稀疏时空间相关大规模 MIMO 信道下的导频复用是可行的.文献32 34分别提出了基于信道二阶统计信息的导频分配方法,保证使用相同导频的用户的信道相关矩阵相互正交.在时延域,利用宽带 MIMO 信道的稀疏特性,也可以进行导频污染抑制在大规模分布式 MIMO 中,信道在功率域具有稀疏性.当我们已知用户的地理位置,构建用户之间的干扰矩阵,对用户之间的导频干扰进行量化,给予干扰较大的用户较大的权重,使他们优先使用正交导频,从而大大降低导频干扰.从这点上看,导频分配与频率分配有相似之处.采用类似频率分配的方法,例如分数
18、倍频率复用或先进的染色算法,对多小区、多用户分配导频,可降低分布式MIMO 系统中由导频复用引起的导频污染37,38相比 TDD,采用 FDD 的大规模 MIMO 的信道信息获取更具挑战性 .假设基站和用户采用共同的导频信号,文献39提出了开环和闭环训练架构.在开环模式中,基站采用轮询的方式发送导频信号,这样接收机可以利用空间相关性、时间相关性以及之前的信道估计来估计出当前的信道.在闭环模式中,用户根据之前的接收信号选择最优的训练信号,并把训练序列的序号反馈给基站,基站根据反馈,来确定所要发送的导频信号.在文献40中,考虑反馈开销,提出了非相干的格栅编码量化,其复杂度随天线个数线性增加.在 G
19、auss-Markov 信道模型下,利用 Kalman滤波算法以及大规模 MIMO10 信道的时间和空间相关性,文献41 提出了导频波束设计。3.2 信道估计方法大规模 MIMO 信道的稀疏特性也利于采用先进的信号处理算法提高信道估计的精度.宽带大规模 MIMO 的信道在角度域和时延域都存在稀疏性 42,可以采用参数化模型来对这种稀疏信道建模43,44.对于这种参数化的稀疏信道 ,可采用参数化信道估计和压缩感知方法大幅提高信道估计的精度.子空间方法是估计参数化信道的常用方法,文献43,45均通过到达角估计提升大规模 MIMO 信道参数估计的精度.压缩感知方法是稀疏信道估计的另一种有效途径,它可
20、以在保证较小导频开销的情况下,获得较好的信道估计性能.常用的压缩感知算法包括正交匹配追踪和基于 Bayes 匹配追踪法.文献46提出了分布未知情况下的 Bayes 匹配追踪法,并将其应用于大规模 MIMO 的信道估计47.利用盲信道估计方法也可以解决导频开销的问题，这在码分多址系统(code division multiple ac-cess, CDMA)中已经被充分地研究，这些方法同样适用于大规模M工MO系统.事实上，有关导频污染的问题类似CDMA的信道估计.针对TDD 系统，文献48 利用大规模M工MO信道的空间渐进正交性，提出一种基于特征值分解的盲信道估计算法，使用少量上行导频即可消除矩
21、阵模糊度.文献49在此基础上提出不使用导频信号的子空间投影盲信道估计算法，进一步降低导频污染的影响.但是，盲信道估计算法较高的复杂度，是实际系统实现时的主要障碍.利用数据辅助的信道估计也是一种传统的提高信道估计精度的方法，结合迭代接收机，可以进一步提高大规模M工MO信道估计的精度叫.但是，为了获得较好的估计性能，数据辅助信道估计需要较长数据，其复杂度也随用户数目及数据长度的增加而大幅增加.利用时延域的稀疏性，文献35提出了一种结合信道估计和导频分配的方法来克服导频污染，提高导频复用的性能.其主要思想是，利用不同用户在时延域的正交特性，在不同的时隙，通过导频分配，将导频污染随机化，最后进行多径时
22、延估计和多径分量提取，得到延迟功率分布的估计.在理想情况下，估计出的功率延迟分布可逼近无导频污染时的情况.通过估计出的功率延迟分布，可进一步消除导频污染.对于FDD 系统，通常需要反馈辅助来提高信道估计的精度.文献51将分布式压缩感知技术应用于CSI获取，其优点是，压缩测量在用户端，而信道信息的恢复由基站侧联合实现.该方法可降低训练和反馈开销，且性能优于传统方法.文献52针对信道的空间稀疏性和慢变特性，采用非正交导频，提出了分布式稀疏性自适应的匹配追踪信道估计方法，并提出闭环信道跟踪方法来降低导频开销.对于大规模分布式M工MO，我们不仅需要估计小尺度衰落，还需要估计大尺度衰落信息.文献53利用
23、天线大规模效应提出了大尺度衰落信息的估计方法.3.3 进一步研究的方向目前，无论是学术界还是工业界都把信道信息获取视为实现大规模天线系统的一项关键技术.在大规模天线的信道建模的基础上，针对不同的信道环境，采用相应的估计方法，可以提高信道估计的精度.基于参数化的信道建模并挖掘大规模天线系统信道的稀疏性，是提升信道参数估计并降低导频开销的有效途径f421. 对于大规模分布式M工MO，获取所有RRU的频率和时间同步，是实现联合处理增益的前提.因此，大规模分布式M工MO 还面临RRU 之间的频率和时间同步问题so, s2，需要深入研究.另外，对于TDD系统的校准，虽然TLS 和LS校准可以达到很好的性
24、能，但是如何以低复杂度的校准方法获得更好的性能仍然需要进一步研究.对于FDD系统，如何降低多用户 M工MO的反馈开销一直是人们研究的热点.学术界和工业界已经在尝试在FDD 系统中利用统计信道信息(例如天线间的相关矩阵)的互易性降低反馈开销.但是，实际应用中，FDD下统计信道信息是否互易仍需要实验验证.4 大规模天线系统的传输方法大规模天线系统的传输方法设计的理论基础是多用户接入信道和多用户广播信道的信息理论.理论上，多用户接入信道的可达容量可以通过最优多用户检测实现，而多用户广播信道的容量可以通过污纸编码达到ss.在大规模天线系统中，随着天线数及用户数的增加，无论是上行多用户联合接收机还是下行
25、多用户发送，最优传输难以实现.理论上，文献降,17的结果表明，无论是大规模M工MO还是大规模分布式M工MO，当天线数目趋于无穷大时，下行采用复杂度极低的MRT，上行接收采用最大比合并，可以获得逼近容量的性能.同时，文献15 指出，使用复杂度稍高的RZF 预编码或线性MMSE检测，可以以低一个数量级的天线数获得逼近容量的性能.也就是说，采用大规模天线，可降低下行波束成形以及上行联合接收的复杂度.但是，受到当前实现能力的限制，天线规模有限.采用RZF预编码或MMSE检测时，需要复杂的求逆运算.当用户数较多时，其复杂度仍然非常高.解决途径主要包括两种，一种是采用低复杂度的矩阵求逆方法，另一种是利用信
26、道的稀疏特性或统计特性降低收发的复杂度.事实上，由于上下行的对偶特性，很多情况下，上行传输方法与下行传输方法可以互相借鉴，或进行联合设计.例如，对于矩阵求逆运算的简化，文献64, 65分别提出了多项式展开的预编码方法和多项式展开的迭代接收方法.利用大规模分布式天线系统信道的稀疏性，文献66采用置信传播方法的下行预编码方法，文献 10 提出了基于置信传播的迭代接收方法.下面，首先介绍了利用统计信道信息的空分多址传输方法，然后介绍了大规模分布式天线系统的联合发送方法，最后介绍了大规模天线系统中容量逼近的迭代接收机设计.4.1 利用统计信道信息的空分多址传输方法对于下行多用户发送，为了充分挖掘多用户
27、广播信道的容量，通常假设发送端已知信道信息.发送端已知信道状态信息时信息传输的基本问题是发送端的多用户信号设计问题.将最优多用户M工MO传输理论方法拓展到大规模天线系统，进行不同准则下最优发送信号设计，是有待解决的关键问题.与传统多用户M工MO不同，受制于信道信息获取以及大规模用户空分的复杂度问题，研究学者提出了基于统计信道信息的多用户空分传输方法.典型的方法包括，文献67提出的BDMA (beam divisionmultiple access)方法和文献68提出的JSDM (joint spatial division and multiplexing).利用大规模M工MO的统计信道信息，
28、文献68提出了两级预编码方法.首先，服务用户被分为多个组，每个组具有相似的发送相关矩阵.因此，第一级预编码准静态地被用于每个组的用户.然后，针对降空间维度的等效信道，采用简化的信道反馈和第二级的预编码.该方法的性能很大程度上依赖于用户分组.考虑宽带多载波大规模M工MO传输系统，文献 67通过理论分析，得到大规模M 工MO系统的波束域信道模型.基于该模型，推导出多用户大规模 M工MO可达遍历和速率的上界，由此得到发送端仅知统计信道状态信息时最优下行传输的充要条件.进而得出，以该上界为优化目标时，波束域空分多址传输是最优的.在此基础上，文献67提出BDMA传输理论方法，通过为不同的用户选择互不重叠
29、的波束集合与之通信，多用户M工MO 信道被分解为多个单用户M 工MO信道，由此显著降低导频开销和收发端处理的复杂性.4.2 大规模分布式 MIMO 的下行传输方法对于大规模分布式天线系统，利用其功率域的稀疏性，可降低RZF预编码的复杂性.文献66提出采用置信传播算法实现RZF预编码方法，避免大维矩阵的求逆运算.论文从Bayes推断出发，采用Gauss近似，推导出了基于置信传播的RZF预编码.然后，借鉴压缩感知中的近似消息传递方法(approximate message passing, AMP，减少消息传递次数.论文还利用大规模分布式M 工MO中干扰的硬化特性，提出了利用空间信道协方差信息的A
30、MP-RZF预编码方法，进一步大大降低计算复杂度.对于采用TDD的大规模分布式MIMO-OFDM (orthogonal frequency division multiplexing)系统，我们提出了如下低复杂度的实现方法，步骤如图3所示.首先根据上行链路信道估计得到大维宽带统计信道信息矩阵，利用其稀疏性，得到大维信道矩阵的逆矩阵.然后，根据逆矩阵计算用户间干扰抑制矩阵(外预编码).最后，针对降空间维度的等效信道，即，每个用户的实际信道与干扰抑制矩阵的复合信道，计算每个用户的上行预编码和下行预编码(内预编码).在实施时，对于上行链路，多个用户经过上行预编码后发送，在基站收到所有用户的信号后，
31、先用干扰抑制矩阵降低空间维度，然后进行单用户检测.对于下行链路，每个用户先进行内预编码，然后使用干扰抑制矩阵进行外预编码.需要指出的是，由于我们仅针对统计信道信息计算大维矩阵的逆，再借助稀疏矩阵的求逆方法，可以大大降低系统的实现复杂度.4.3 低复杂度的接收机方法多天线系统中，容量逼近的接收机技术一直是研究热点.大规模天线系统的接收机同样面临着复杂性问题.特别是，大规模天线系统是干扰受限的系统，如何设计干扰信道下的接收机，获得逼近信道容量的性能也是一个非常有挑战的方向.对于大规模天线系统，接收机面临着如下困难:非理想信道，干扰信道和检测复杂度高.针对非理想信道的问题，传统采用数据辅助的信道估计
32、可以推广到大规模M 工MO fso，将数据检测和信道估计联合设计可以提高系统的性能.采用数据辅助时，由于用户之间的数据非正交，只有数据长度较长时，才能获得较好的性能，但是随之产生了严重的复杂性问题.对于干扰信道问题，我们可以采用Turbo迭代接收机，但是同样面临接收机实现的复杂性问题.近期，对大维信道下的检测器研究主要思路包括矩阵求逆的简化方法哪.69和利用稀疏性的io. 70检测方法.文献65提出了干扰信道下的联合迭代接收技术.考虑导频污染，设计了集信道估计、干扰估计、低复杂度软输入软输出检测和译码为一体的Turbo接收机.首先，根据信道估计得到信道参数和初步的干扰统计特性，进行线性预滤波降
33、维处理.然后，提出基于奇异值分解(singular value decomposition,SVD)的软输入软输出检测和基于匹配滤波的软输入软输出检测.对于SVD的软输入软输出检测，仅需要初次对降维后的信道矩阵进行SVD分解;对于匹配滤波检测，仅需要对降维处理后的信道进行线性合并.为了进一步降低软输入软输出检测的复杂度，文献65还提出了基于多项式展开的软输入软输出检测，避免复杂的矩阵求逆.结果表明，由于大规模天线效应，采用低复杂度的检测方法的Turbo接收机可以逼近理论信道容量.4.4 进一步研究的方向虽然研究者们对大规模天线无线传输技术进行了深入的研究，但是，在实际实现时，大规模天线无线传输
34、仍然面临着很多挑战.首先，面向较高速移动时，采用统计信道信息是否能够有效解决系统实现的复杂性.文献71的结果表明，大规模M 工MO有助于改善高速运动下用户的传输速率，但是这需要更大规模的天线数目，显然这会增加系统的实现复杂度.如何解决高移动速度下大规模天线的无线系统中传输问题，需要深入研究.其次，非理想信道信息下大规模天线无线传输方法需要进一步研究.这些非理想信道信息的情况包括信道参数估计误差和硬件造成的影响，如I/(a 不平衡72、互易性失配 f731、低分辨率模数转换器(analog-to-digital converter, ADC)等74, 75.如何针对这些问题，设计鲁棒的传输方案，
35、值得深入研究.最后是高性能接收机设计方面的研究.在接收机的设计方面，人们通常研究基站侧的联合接收问题.但是，在大规模天线系统中，由于采用统计信道信息的下行传输方法，在终端侧，信道干扰不可避免.因此，如何提高终端的接收性能也值得研究.5 大规模天线系统的资源分配在大规模天线系统中，为了进一步提高网络中无线资源的利用率，需要联合优化调配空时频资源、功率资源以及空分用户组等，这对无线资源管理带来新的挑战.而设计低复杂度、高性能的资源分配，对大规模天线系统的实现至关重要.M 工MO-OFDM 的时频资源分配已经有大量学者进行研究,而本文主要关注大规模天线系统的空域资源和节点资源的分配.下面我们分别针对
36、大规模M工MO和大规模分布式M工MO的空域资源分配展开讨论 .统计空分复用可降低大规模M工MO的实现复杂度，但是其性能受限于用户的分簇.文献67以最大化和容量为目标，利用统计信道信息，通过贪婪算法进行用户的分簇.对于JSDM，如前所述，需要将具有相似的信道协方差矩阵特征矢量的用户分配到同一个簇中.分簇方法的性能将决定用户间的干扰，进而影响传输方案的性能.为此，文献79采用弦距离作为分簇度量，提出了基于K均值聚类的分簇算法.文献80采用加权似然相似度量、子空间投影相似度量等改进的分簇方法，进一步提升系统的吞吐量.对于大规模分布式M工MO系统，节点和用户分簇同样是降低系统实现复杂度，提升系统性能的
37、关键技术.大规模分布式M工MO中用户和节点分簇研究大致可以分为3种，一种是以用户为中心的节点分簇，另外一种是动态的节点和用户分簇，第3种是准静态的交错分簇(interlaced clustering).以用户为中心的无线通信在4G研发时期已经被提出 f811，目前仍然是5G移动通信的一个研究热点对于大规模分布式M工MO，文献咧研究了以用户为中心的节点分组理论方法，给出了虚拟小区的半径的理论分析.考虑接入点之间回程容量受限，文献83利用广义加权均方误差求解加权和速率最大化问题，提出了联合用户为中心的动态分簇、用户调度和波束成形的方法.对于动态节点和用户分簇，文献84提出了利用统计信道信息的动态用
38、户分簇方法.文献85将用户与接入点之间的稀疏信道转化为双边界块对角矩阵，并利用这种特性，进行动态分簇，并实现并行基带处理.文献86提出了一种准静态的交叠分簇方法.该方法的主要思想是: 把系统中所有的接入点分成互不相交的簇，由于分簇方法有很多种，这样可以得到多个分簇图案(cluster pattern).不同图案之间有交叠，在每一种分簇图案中，所有用户和所有接入点使用相同的时频资源，而不同的分簇图案在时频资源上正交.结合功率分配方法，这种交叠分簇方法可以提升整个小区的吞吐量以及小区边界用户的吞吐量.资源分配方法一直是无线通信中的研究热点.大规模天线系统中，如何设计低复杂度的资源分配方法和多用户调
39、度方法，仍然需要进一步深入研究.6 总结本文对大规模天线的无线传输理论与技术的最新进展进行了综述，包括频谱效率理论分析、信道信息获取技术、上下行传输技术和资源分配技术.除此之外，论文还给出了这些方向中一些函待解决的问题和值得深入探究的课题，它们至今仍是大规模天线系统的研究热点.虽然目前已经有大规模T 工T 的试验系统,3GPP 标准组织也正在制定相关技术的演进，但是大规模天线系统仍有许多科学和工程问题需要解决.参考文献1 You X H, Pan Z W, Gao X Ca, et al. The 5G mobile communication: the development trends
40、and its emerging key techniques. Sci Sin Inform, 2014, 44: 551-563!尤肖虎，潘志文，高西奇，等.5G 移动通信发展趋势与若干关键技术.中国科学:信息科学，2014, 44: 551-56312 A-Ia Z, Zhang Z Ca, Ding Z G, et al. Key techniques layer, and MAC layer perspectives. Sci China Inf Scifor 5G wireless communications: network architecture, physical2015
41、, 58: 0413013 Paulraj A J, Gore D A, Nabar R U, et al. An Overview of MIMO communications-a key to gigabit wireless. Proc IEEE, 2004, 2: 1982184 Marzetta T L. Noncooperative cellular wireless with unlimited numbers of base station antennas. IEEE Trans Wirel Commun, 2010, 11: 359036005 You X H, Wang
42、D M, Sheng B, et al. Cooperative distributed antenna systems for mobile communications. IEEE Wirel Commun, 2010, 17: 35436 Dai L. A comparative study on uplink sum capacity with co-located and distributed antennas. IEEE J Sel Area Commun, 2011, 29: 120012137 Wang J, Dai L. Asymptotic rate analysis o
43、f downlink multi-user systems with co-located and distributed antennas.IEEE Trans Wirel Commun, 2015, 14: 304630588 Wang D, Wang J, You X, et al. Spectral eciency of distributed MIMO systems. IEEE J Sel Area Commun, 2013,10: 211221279 Huh H, Caire G, Papadopoulos H C, et al. Achieving massive MIMO s
44、pectral eciency with a not-so-large number of antennas. IEEE Trans Wirel Commun, 2012, 9: 3226323910 Wang D M, Zhao Z L, Huang Y Q, et al. Large-scale multi-user distributed antenna system for 5G wireless commu-nications. In: Proceedings of IEEE 81st Vehicular Technology Conference Spring, Glasgow,
45、2015. 1511 Tulino A M, Verdu S. Random matrix theory and wireless communications. In: Foundations and Trends in Commu-nications and Information Theory. Norwell: Now Publishers Inc, 200412 Lu A, Gao X Q, Xiao C S. A free deterministic equivalent for the capacity of MIMO MAC with distributed antenna s
46、ets. In: Proceedings of IEEE International Conference on Communications, London, 2015. 1751175613 Zhang J, Wen C K, Jin S, et al. On capacity of large-scale MIMO multiple access channels with distributed sets of correlated antennas. IEEE J Sel Area Commun, 2013, 2: 13314814 Ngo H Q, Larsson E G, Mar
47、zetta T L. Energy and spectral eciency of very large multiuser MIMO systems. IEEE Trans Commun, 2013, 4: 1436144915 Hoydis J, Brinkz S, Debbah M. Massive MIMO in the UL/DL of cellular networks: how many antennas do we need.IEEE J Sel Area Commun, 2013, 2: 16017116 Wang D M, Ji C, Gao X Q, et al. Upl
48、ink sum-rate analysis of multi-cell multi-user massive MIMO system. In:Proceedings of IEEE International Conference on Communications, Budapest, 2013. 5404540817 Wang D M, Ji C, Sun S H, et al. Spectral eciency of multicell multi-user DAS with pilot contamination. In:Proceedings of IEEE Wireless Com
49、munications and Networking Conference (WCNC), Shanghai, 2013. 3208321218 Li J M, Wang D M, Zhu P C, et al. Downlink spectral eciency of multi-cell multi-user large-scale DAS with pilot contamination. In: Proceedings of IEEE International Conference on Communications, London, 2015. 2011201619 Andrews J, Baccelli F, Ganti R. A tractable approach to coverage and rate in cellular networks. IEEE Trans Commun,2011, 11: 3122313420 Baccelli
