大规模天线阵列到达角估计与波束赋形技术研究.pdfVIP

摘要

摘要

毫米波(mmWave)通信技术已经被广泛视为下一代通信网络的关键驱动力。

得益于毫米波的短波长特性，接收机能够在有限物理空间内集成大规模天线，从而

实现高空间分辨率，这对于通信感知一体化(IntegratedSensingandCommunication,

ISAC)系统至关重要。在ISAC系统中，获取到达角(AngleofArrival,AoA)的信息

是核心任务之一。该任务通过估计信号源到达接收机的角度，进而用于高精度定

位和信道状态信息(ChannelStateInformation,CSI)的获取等。此外，波束赋形设计

对于AoA估计的准确性具有决定性作用，因为波束形成器能通过与信号源方向对

齐来提供阵列增益。

首先，本文探讨了在均匀线性阵列(UniformLinearArray,ULA)场景下的大规

模天线系统的多源AoA追踪问题。特别地，本工作基于深度学习技术，将该问

题建模为一个多标签分类(Multi-LabelClassification)问题，并提出了一个深度主

动学习(DeepActiveLearning)的方案。该方案采用一个深度神经网络(DeepNeural

Network,DNN)结构来实现无码本波束形成器的设计，并采用一个波束空间多重

信号分类(MultipleSignalClassification,MUSIC)估计器来估计AoA。与现有工作

相比，所提出方案突破了单一信号源追踪和基于码本的波束形成器设计方法的局

限。具体来说，该方案的优势在于不依赖于传统的硬判决码本，而是采用一种数

据驱动的软决策机制，通过学习AoA分布来自适应设计波束形成器，从而有效提

升多源AoA追踪性能。

然后，本文将所提出方案扩展到均匀矩形阵列(UniformRectangularArray,

URA)场景，以追踪二维角度参数。为了降低波束赋形设计和AoA估计器的复杂

度，本研究考虑了一类可分离的子波束形成器，并开发了仅需一维搜索的波束空

间降维MUSIC(Reduced-DimensionMUSIC,RD-MUSIC)算法。此外，在更大规模

的URA应用场景中，本研究采用了基于部分连接(Partially-Connected)硬件架构的

模拟波束赋形方案，节省了无源器件的数目以进一步降低硬件成本。本文对ULA、

URA以及更大规模URA场景下的追踪性能进行评估。数值结果证明了所提出方

案的有效性和稳健性，其AoA追踪性能接近克拉美罗界(CramérRaoBound,CRB)，

并优于现有的基于码本的基线方法。

关键词：多源AoA追踪，自适应波束赋形，深度主动学习，子空间方法，阵列信

号处理

I

ABSTRACT

ABSTRACT

Millimeter-wave(mmWave)communicationtechnologyiswidelyrecognizedasa

keydriverforthenextgenerationofcommunicationnetworks.Thankstotheshortwave-

lengthcharacteristicsofmmWave,receiverscanintegratelarge-scaleantennaswithina

limitedphysicalspace,achievinghighspatialresolution,whichiscrucialforintegrated

sensingandcommunication(ISAC)systems.InISACsystems,obtainingangleofarrival

(AoA)informationisoneofthecoretasks.Thistaskinvolvesestimatingtheanglesat

whichsignalsourcesarriveatthereceiver,andtheAoAscanbeus