博士生陈康建在IEEE Trans. Wireless Communications上发表论文

2024年1月，课题组的一篇论文“Triple-Refined Hybrid-Field Beam Training for mmWave Extremely Large-Scale MIMO”，被无线通信领域旗舰刊物IEEE Transactions on Wireless Communications（影响因子：10.4）录用。论文的第一作者是博士生陈康建同学，第二作者是陈康建的指导教师戚晨皓教授，第三作者为加拿大纽芬兰纪念大学Octavia A. Dobre教授，第四作者为帝国理工学院Geoffrey Ye Li教授。由于超大规模MIMO配置了远多于大规模MIMO的天线，其通信区同时包含了近场和远场。因此在超大规模MIMO系统中，研究适配于远近混合场（Hybrid Field）通信具有重要意义，特别是高效的波束训练方法。

超大规模MIMO混合场波束训练主要存在以下两个难点。第一个难点是波束训练开销大。由于近场采用球面波信道模型，超大规模MIMO混合场波束训练需要同时考虑角度和距离维度以进行波束对准。这不可避免地使得混合码本中的码字数目增多，进而导致训练开销增大。第二个难点是波束训练精度低。由于混合场码本是通过对空间进行量化生成的，波束训练分辨率受到量化精度的制约，从而限制了波束训练精度的提升。为了解决这两个难点，我们提出了一种低开销高精度的三阶段混合场波束训练方案。

在该方案的第一阶段，我们首先对信道导向向量的混合场波束增益进行了分析。基于该分析并考虑通用码字要求，设计了用于第一阶段波束训练的码本，其示意图如下所示。随后，我们逐个测试第一阶段码本中的每个码字，并将接收功率最大的码字的索引作为第一阶段波束训练的结果。

在该方案的第二阶段，我们根据第一阶段波束训练的结果确定当前信道路径所在的区域。然后，我们将包括该区域的M个码字进行组合形成第二阶段的码本。通过逐个测试第二阶段码本中的每个码字，我们获得了M个信道测量值。基于这些测量值，我们分别采用最大似然和不动相位准则的方法获得信道参数估计值。第二阶段码字的示意图如下所示。

在该方案的第三阶段，我们首先在第二阶段获得的信道参数估计值周围进行邻域搜索，以进一步确定信道路径的可能区域。受到高斯函数的泰勒级数与混合场波束增益的泰勒级数之间相似性的启发，我们提出使用二维的高斯函数近似混合场波束增益。近似结果如下图所示。基于高斯近似和少量信道测量结果，我们提出了一种最小二乘估计器得到了信道参数的高精度估计值。通过仿真对比，我们验证了方案的有效性。