⚡ electrical engineering

Hybrid-Field Channel Estimation for XL-MIMO Systems: Dictionary-based Sparse Signal Recovery

यह शोध पत्र XL-MIMO प्रणालियों में हाइब्रिड-फील्ड चैनल अनुमान के लिए एक डिक्शनरी-आधारित स्पार्स सिग्नल रिकवरी पद्धति प्रस्तावित करता है जो स्पार्सिटी स्तरों या नियर-फील्ड/फार-फील्ड अनुपातों के पूर्व ज्ञान के बिना प्रसार पथों की संख्या को अनुकूल रूप से निर्धारित करता है, जबकि निरंतर पैरामीटर परिशोधन के माध्यम से ग्रिड मिसमैच को कम करता है।

मूल लेखक: David William Marques Guerra, Taufik Abrao

प्रकाशित 2026-02-04

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: David William Marques Guerra, Taufik Abrao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, भीड़ भरे स्टेडियम (भविष्य का 6G नेटवर्क) में एक बातचीत को सुनने की कोशिश कर रहे हैं। स्टेडियम इतना बड़ा है कि ध्वनि तरंगें इस बात पर अलग तरह से व्यवहार करती हैं कि बोलने वाले कहाँ खड़े हैं।

दूर-क्षेत्र (Far-Field - दूर की भीड़): यदि कोई दूर है, तो उनकी आवाज़ आप तक एक सपाट, चिकनी लहर के रूप में पहुँचती है, जैसे किसी दीवार से टकराती हुई मंद हवा।
निकट-क्षेत्र (Near-Field - आपके बगल वाला व्यक्ति): यदि कोई माइक्रोफ़ोन के ठीक बगल में खड़ा है, तो उनकी आवाज़ आप तक एक फैलती हुई, गोलाकार लहर के रूप में पहुँचती है, जैसे तालाब में उठने वाली लहरें बाहर की ओर फैल रही हों।

XL-MIMO (एक्सट्रीमली लार्ज-स्केल मल्टीपल-इनपुट मल्टीपल-आउटपुट) सिस्टम में, एंटीना ऐरे इतना बड़ा होता है कि वह इन दोनों प्रकार की तरंगों को एक साथ पकड़ लेता है। इसे हाइब्रिड-फील्ड (Hybrid-Field) कहा जाता है। चुनौती यह है कि "ध्वनि" (डेटा सिग्नल) आपस में मिल जाती है, और रिसीवर को यह पता लगाना होता है कि वास्तव में कौन बोल रहा है, वे कितनी दूर हैं, और उनकी आवाज़ कैसी है, और साथ ही साथ बैकग्राउंड शोर (noise) को भी अनदेखा करना होता है।

यहाँ यह पेपर इस समस्या को कैसे हल करता है, सरल उपमाओं (analogies) का उपयोग करते हुए दिया गया है:

1. समस्या: "अंधा" खोज (The "Blind" Search)

पारंपरिक रूप से, इन संकेतों को खोजने के लिए इंजीनियरों को पहले से दो चीजों का अनुमान लगाना पड़ता था:

कितने लोग बोल रहे हैं? (सिग्नल पाथ्स की संख्या)।
निकट और दूर के वक्ताओं के बीच का विभाजन क्या है? (गोलाकार और सपाट तरंगों का अनुपात)।

यदि आपका अनुमान गलत निकला, तो आपका आकलन भी गलत होगा। यह घास के ढेर में सुई खोजने जैसा था, जहाँ आपको बताया गया हो, "वहाँ ठीक 5 सुइयाँ हैं, और 3 नीली हैं," लेकिन आप वास्तव में नहीं जानते थे कि यह सच है या नहीं।

2. समाधान: एक स्मार्ट, अनुकूलन योग्य जासूस (A Smart, Adaptive Detective)

लेखक एक नई विधि प्रस्तावित करते हैं जिसे $\epsilon$ -OMP-SSIGW कहा जाता है। इस विधि को एक बहुत ही स्मार्ट जासूस के रूप में समझें जिसे पहले से यह जानने की आवश्यकता नहीं है कि सुइयों की संख्या कितनी है।

शब्दकोश (संदेही लोगों की सूची): सिस्टम के पास एक विशाल "डिक्शनरी" या संदिग्धों की सूची है कि सिग्नल किस दिशा और दूरी से आ सकता है। यह हर संभव कोण और दूरी के फोटो एल्बम की तरह है।
खोज (Greedy Selection): जासूस मिश्रित सिग्नल को देखता है और उस "संदिग्ध" (डिक्शनरी से परमाणु/atom) को चुनता है जो सिग्नल से सबसे अच्छी तरह मेल खाता है।
"रुकने" का संकेत (Residual Rule): यह अनुमान लगाने के बजाय कि कितने लोग बात कर रहे हैं, जासूस तब तक संदिग्धों को चुनता रहता है जब तक कि "बचा हुआ शोर" (residual) पर्याप्त रूप से छोटा न हो जाए। एक बार जब बचा हुआ शोर केवल रैंडम स्टैटिक (static) रह जाता है, तो जासूस रुक जाता है। इसका मतलब है कि सिस्टम बिना किसी मानवीय निर्देश के स्वयं ही पता लगा लेता है कि कितने पाथ मौजूद हैं।

3. परिशोधन: रेडियो ट्यून करना (The Refinement: Tuning the Radio)

एक बार जब किसी संदिग्ध को चुन लिया जाता है, तो प्रारंभिक अनुमान आमतौर पर थोड़ा "ऑफ-ग्रिड" होता है (जैसे यह अनुमान लगाना कि कोई व्यक्ति 10 मीटर पर है जबकि वह वास्तव में 10.4 मीटर पर है)।

पुराना तरीका: पिछले तरीकों ने इसे ठीक करने के लिए भारी, जटिल गणितीय गणनाओं का उपयोग किया (जैसे एक साथ एक विशाल पहेली को हल करने की कोशिश करना)।
नया तरीका: यह पेपर एक "फाइन-ट्यूनिंग" दृष्टिकोण का उपयोग करता है। यह समायोजन को रेडियो पर एक सिंगल नॉब (knob) घुमाने की तरह मानता है। यह कोण और दूरी को एक-एक करके छोटे, सरल समायोजन के साथ ठीक करता है।
- उपमा: कल्पना कीजिए कि आप एक धुंधली फोटो को फोकस करने की कोशिश कर रहे हैं। पुराने तरीके पूरी इमेज कोड को फिर से लिखने की कोशिश करते थे। यह नया तरीका बस फोकस रिंग को थोड़ा सा हिलाता है जब तक कि इमेज स्पष्ट न हो जाए। यह बहुत तेज़ है और इसमें कम कंप्यूटिंग पावर की आवश्यकता होती है।

4. परिणाम: तेज़ और सटीक (Faster and Sharper)

इस पेपर ने इस नए जासूस का परीक्षण आठ अन्य शीर्ष विधियों के विरुद्ध किया।

सटीकता (Accuracy): इसने अन्य विधियों की तुलना में संकेतों को अधिक सटीकता से पाया, चाहे वक्ता दूर हों, पास हों, या दोनों का मिश्रण हों।
गति (Speed): क्योंकि यह भारी "पहेली-हल करने वाले" गणित के बजाय सरल "नॉब-टर्निंग" गणित का उपयोग करता है, इसलिए यह बहुत तेज़ी से चलता है।
मजबूती (Robustness): यह तब भी अच्छी तरह काम करता है जब सिस्टम को शोर के सटीक स्तर का सटीक ज्ञान नहीं होता है।

सारांश

संक्षेप में, यह पेपर भविष्य के 6G नेटवर्क के लिए विशाल एंटीना ऐरे में संकेतों को "सुनने" का एक स्मार्ट और तेज़ तरीका पेश करता है। यह यह अनुमान लगाना बंद कर देता है कि कितने सिग्नल हैं और इसके बजाय तब तक सुनता है जब तक कि शोर खत्म न हो जाए। फिर यह संकेतों के सटीक स्थान का पता लगाने के लिए सरल, चरण-दर-चरण समायोजन का उपयोग करता है, जिससे यह पूरी प्रक्रिया अधिक कुशल और विश्वसनीय बन जाती है।

तकनीकी सारांश: XL-MIMO प्रणालियों के लिए हाइब्रिड-फील्ड चैनल अनुमान (Channel Estimation)

समस्या विवरण
अत्यंत बड़े पैमाने के मल्टी-इनपुट मल्टी-आउटपुट (XL-MIMO) सिस्टम भविष्य के 6G नेटवर्क के लिए महत्वपूर्ण हैं, जो स्पेक्ट्रल दक्षता और स्थानिक रिज़ॉल्यूशन में महत्वपूर्ण लाभ प्रदान करते हैं। हालाँकि, XL-MIMO में विशाल एंटीना अपर्चर एक अनूठा प्रसार वातावरण (propagation environment) बनाते हैं जहाँ पारंपरिक फ़ार-फील्ड (FF) प्लेन-वेव धारणा कई स्कैटरर्स (scatterers) के लिए विफल हो जाती है। इसके बजाय, एक हाइब्रिड-फील्ड (HF) शासन उभरता है, जो FF प्लेनर तरंगों और नियर-फील्ड (NF) गोलाकार तरंगों के सह-अस्तित्व द्वारा पहचाना जाता है। XL-MIMO की क्षमता का लाभ उठाने के लिए सटीक चैनल स्टेट इंफॉर्मेशन (CSI) आवश्यक है, फिर भी HF चैनलों का अनुमान लगाना चुनौतीपूर्ण है क्योंकि इसमें कोणीय (angular) और दूरी के परिवर्तनों को एक साथ मॉडल करने की आवश्यकता होती है।

मौजूदा दृष्टिकोण, जैसे कि हाइब्रिड-फील्ड ऑर्थोगोनल मैचिंग पजर्ट (HF-OMP) और स्पार्स ग्रेडिएंट प्रोजेक्शन (SGP) विधियाँ, अक्सर व्यावहारिक सीमाओं से ग्रस्त होते हैं। कई विधियों के लिए चैनल स्पार्सिटी स्तर ( $L$ ) और NF से FF पथों के विशिष्ट अनुपात ( $\gamma$ ) के पूर्व ज्ञान की आवश्यकता होती है। अन्य विधियाँ मापदंडों को परिष्कृत करने के लिए मैट्रिक्स स्यूडो-इनवर्जन (matrix pseudo-inversions) या बहु-आयामी ग्रेडिएंट चरणों जैसे कम्प्यूटेशनल रूप से महंगे कार्यों पर निर्भर करती हैं। ये निर्भरताएं और जटिलताएं गतिशील XL-MIMO वातावरण में मजबूत परिनियोजन (deployment) में बाधा डालती हैं।

कार्यप्रणाली (Methodology)
लेखक एक एकीकृत चैनल अनुमान ढांचा प्रस्तावित करते हैं जिसे $\epsilon$ -OMP–SSIGW ( $\epsilon$ -ऑर्थोगोनल मैचिंग पजर्ट विद सिंपलीफाइड स्पार्स इटरेटिव ग्रिडलेस वेटिंग) कहा जाता है। यह दृष्टिकोण HF चैनल को FF और NF घटकों के सुपरपोजिशन के रूप में मॉडल करता है, जो कोणीय (DFT) और ध्रुवीय (angle-distance) दोनों डोमेन में चैनल की अंतर्निहित स्पार्सिटी का लाभ उठाता है।

मुख्य कार्यप्रणाली एक लालची (greedy), पुनरावृत्ति (iterative) प्रक्रिया शामिल है:

डिक्शनरी-आधारित चयन: एक संयुक्त डिक्शनरी जिसमें FF (कोणीय) और NF (ध्रुवीय) परमाणु (atoms) शामिल हैं, का उपयोग किया जाता है। प्रत्येक पुनरावृत्ति (iteration) में, वर्तमान अवशेष (residual) के साथ सबसे अधिक सह-संबंधित परमाणु का चयन किया जाता है।
अनुकूली पथ गणना (Adaptive Path Counting): पूर्व विधियों के विपरीत, इस एल्गोरिदम को इनपुट के रूप में $L$ या $\gamma$ की आवश्यकता नहीं होती है। इसके बजाय, यह एक अवशेष-आधारित स्टॉपिंग नियम ( $\|r\|^2/N \leq \sigma^2$ ) का उपयोग करता है ताकि महत्वपूर्ण पथों की संख्या को स्वचालित रूप से निर्धारित किया जा सके, जिससे यह अज्ञात चैनल संरचनाओं के प्रति मजबूत बनता है।
सरलीकृत परिशोधन (Simplified Refinement - SSIGW): एक बार जब एक परमाणु का चयन कर लिया जाता है, तो विधि ग्रिड मिसमैच को कम करने के लिए "कोर्स-टू-फाइन" (coarse-to-fine) परिशोधन करती है।
- गेन अपडेट: पथ गेन को सिंगल-कॉलम रिफाइनमेंट स्ट्रक्चर से प्राप्त क्लोज्ड-फॉर्म स्केलर लीस्ट-स्क्वायर्स (LS) समाधान का उपयोग करके अपडेट किया जाता है, जो मैट्रिक्स स्यूडो-इनवर्जन से बचता है।
- पैरामीटर परिशोधन: कोणीय और दूरी के मापदंडों को आर्मिजो बैकट्रैकिंग लाइन सर्च (Armijo backtracking line search) के माध्यम से अपडेट किए गए स्केलर ग्रेडिएंट्स का उपयोग करके परिष्कृत किया जाता है। यह पिछले कार्यों के विपरीत है जो जटिल मैट्रिक्स ग्रेडिएंट का उपयोग करते हैं।
समाप्ति (Termination): यह प्रक्रिया तब तक दोहराई जाती है जब तक कि मीन स्क्वेर्ड एरर (MSE) शोर-निर्भर थ्रेशोल्ड से नीचे न गिर जाए या अधिकतम पुनरावृत्ति संख्या तक न पहुँच जाए।

प्रमुख योगदान

ब्लाइंड एस्टीमेशन: प्रस्तावित विधि कुल स्पार्सिटी स्तर ( $L$ ) या NF/FF पथ विभाजन अनुपात ( $\gamma$ ) के पूर्व ज्ञान के बिना कार्य करती है। इसे केवल शोर विचरण (noise variance) के अनुमान की आवश्यकता होती है, जो व्यावहारिक रूप से प्राप्त करने योग्य है।
कम्प्यूटेशनल दक्षता: क्लोज्ड-फॉर्म एक्सप्रेशंस के लिए व्युत्पन्न गेन अपडेट और पैरामीटर परिशोधन के लिए स्केलर ग्रेडिएंट्स का उपयोग करके, लेखक SGP या मानक OMP वेरिएंट जैसे मैट्रिक्स-आधारित दृष्टिकोणों की तुलना में प्रति पुनरावृत्ति कम्प्यूटेशनल जटिलता को काफी कम कर देते हैं।
एकीकृत HF मॉडल: यह कार्य एक एकीकृत अनुमान ढांचे को पेश करता है जो एक ही स्पार्स रिकवरी समस्या के भीतर दोनों FF और NF घटकों को सहजता से संभालता है, न कि उन्हें अलग-अलग क्रमिक चरणों के रूप में मानता है।
मजबूती (Robustness): एल्गोरिदम को अपने पुनरावृत्ति परिशोधन तंत्र के माध्यम से शोर विचरण मिसमैच और ग्रिड विविक्तकरण (discretization) त्रुटियों के प्रति मजबूत बनाया गया है।

परिणाम
नॉन-लाइन-ऑफ-साइट (NLoS) और मिश्रित लाइन-ऑफ-साइट/नॉन-लाइन-ऑफ-साइट (LoS/NLoS) दोनों स्थितियों के तहत आठ अत्याधुनिक बेंचमार्क (जिसमें LS, MMSE, HF-OMP वेरिएंट और HF-SGP विधियाँ शामिल हैं) के विरुद्ध $\epsilon$ -OMP–SSIGW का तुलनात्मक अध्ययन करने के लिए संख्यात्मक सिमुलेशन किए गए।

सटीकता: प्रस्तावित एस्टिमेटर ने LoS और NLoS दोनों परिदृश्यों में पूरे सिग्नल-टू-नॉइज़ रेशियो (SNR) रेंज में सबसे कम नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (NMSE) प्राप्त किया। इसने विशेष रूप से उन विधियों को पछाड़ दिया जिन्हें $L$ और $\gamma$ के पूर्व ज्ञान की आवश्यकता थी।
जटिलता: हालांकि परिष्कृत $\epsilon$ -OMP–SSIGW बुनियादी $\epsilon$ -OMP की तुलना में थोड़ा अधिक ओवरहेड लेता है, फिर भी यह HF-SGP और व्यापक खोज-आधारित HF-OMP वेरिएंट की तुलना में काफी तेज़ है। इसका रनटाइम SNR-स्वतंत्र दिखाया गया और यह निश्चित मैट्रिक्स संचालन द्वारा संचालित होता है।
अनुकूलनशीलता (Adaptivity): सिमुलेशन ने पुष्टि की कि एस्टिमेटर SNR और अवशेष मानदंडों के आधार पर पता किए गए पथों की संख्या ( $L_{est}$ ) को सही ढंग से अनुकूलित करता है, जो स्पष्ट $L$ इनपुट के बिना कार्य करने की इसकी क्षमता को प्रमाणित करता है।

महत्व
यह शोध दावा करता है कि $\epsilon$ -OMP–SSIGW ढांचा XL-MIMO सिस्टम के लिए HF चैनल अनुमान के लिए एक व्यावहारिक और कम्प्यूटेशनल रूप से कुशल समाधान प्रदान करता है। चैनल स्पार्सिटी और पथ अनुपातों के पूर्व ज्ञान की आवश्यकता को समाप्त करके, और परिशोधन के लिए आवश्यक गणितीय ऑपरेशनों को सरल बनाकर, यह विधि एक बेहतर प्रदर्शन-जटिलता संतुलन प्राप्त करती है। लेखक का मानना है कि यह एस्टिमेटर को वास्तविक दुनिया के परिनियोजन के लिए विशेष रूप से उपयुक्त बनाता है जहाँ चैनल की विशेषताएं गतिशील और अज्ञात होती हैं। यह कार्य मल्टी-एंटीना यूजर इक्विपमेंट, सामान्य एरे ज्योमेट्री (UPA) और हार्डवेयर इम्पेयरमेंट मॉडलिंग के भविष्य के विस्तार के लिए आधार तैयार करता है।