一種基于深度學習的環形陣列混合波束成型大規模MIMO系統DOA估計算法

張永皓 蘇雪嫣 胡蝶

摘 要：研究了采用混合波束成型結構和環形陣列的大規模多輸入多輸出系統中的波達方向（direction of arrival，DOA）估計，提出了一種基于深度學習的低復雜度的DOA估計算法。所提算法首先離線訓練一個深度神經網絡，然后再利用該網絡進行在線DOA估計。在線估計中，算法首先將接收信號送入網絡，然后根據網絡給出的初始角度估計產生一個候選角度集合，最后選擇集合中最大似然估計結果最優的角度作為最終DOA估計值。仿真結果顯示，與傳統的最大似然方法相比，提出的算法可以提供更好的估計性能，且具有更低的計算復雜度。

關鍵詞：大規模MIMO;DOA估計;環形陣列;混合模數波束成型;深度學習

中圖分類號：TP 311

文獻標志碼：A

文章編號：1007-757X（2020）11-0001-04

Abstract：In this paper， the direction of arrival （direction of arrival， DOA） estimation in massive multi-input multiple-output systems with hybrid beamforming structure and uniform circular array is studied， and a low complexity DOA estimation algorithm based on deep learning is proposed. The proposed algorithm is to first train a deep neural network offline， and then use the network for online DOA estimation. In the online estimation， the algorithm first sends the received signal to the network， and then generates a candidate angle set according to the initial angle estimation given by the network. Finally， the optimal angle estimation is selected from the set as the final angle estimation value. The simulation results show that compared with the traditional maximum likelihood method， the proposed algorithm can provide better estimation performance and lower computational complexity.

Key words：massive MIMO;DOA estimation;uniform circular array;hybrid beamforming;deep learning

0?引言

大規模多輸入多輸出（multiple-input multiple-output， MIMO）是第五代（5G）移動通信系統中的核心技術之一。均勻線性陣列（uniform linear array， ULA）、均勻矩形陣列（uniform rectangular array，URA）、均勻環形陣列（uniform circular array，UCA）是3種常見的MIMO天線配置。與ULA和URA相比，UCA的明顯優點在于由于不存在邊緣陣元，其方向圖可以在陣列平面上進行旋轉而不會引起波束形狀的顯著變化，具有更高的穩定性。因此，本文考慮采用UCA的大規模MIMO系統。

近年來，大規模MIMO系統中的波達方向（direction of arrival，DOA）估計受到了較多的關注。一些傳統的基于子空間的方法，如ESPRIT（estimation of signal parameters via rotational invariance technique）、MUSIC（multiple signal classification）、Root-MUSIC等算法被廣泛應用于大規模MIMO系統的DOA估計中。文獻[1]針對環形陣列接收信號，采用相位模式激勵，構造具有正交性的波束子空間，然后再使用MUSIC算法進行DOA估計。針對UCA系統，文獻[2-3]等文章也提出了基于子空間……