Tensor-based modeling/estimation of static channels in IRS-assisted MIMO systems

技术摘要：IRS 辅助 MIMO 系统中静态信道基于张量的建模与估计

问题陈述
本文解决了智能反射面（IRS）辅助的多输入多输出（MIMO）系统中的信道估计挑战。在此类网络中，接收机必须利用由 IRS 反射的导频信号来估计级联信道（用户设备到 IRS 再到基站）。现有方法通常分为结构化技术（利用参数化几何模型）和非结构化技术。虽然先前的工作已在特定场景（例如毫米波系统或半盲数据检测）中利用张量方法，但仍需要稳健的框架，以利用静态 IRS 辅助信道的特定几何结构来提高估计精度，同时不产生过高的计算成本。

方法论
作者提出了一种新的信号建模框架，将信道估计问题表述为三阶 Tucker 张量模型。方法论的核心包括以下步骤：

1. 系统模型：系统考虑上行链路场景，包含配备 $M$ 根天线的基站（BS）、配备 $Q$ 根天线的用户设备（UE）以及具有 $N$ 个无源元件的 IRS。信道（BS-IRS 和 IRS-UE）采用包含视距（LOS）和非视距（NLOS）分量的多径几何模型进行建模，其特征由导向矢量和路径损耗/衰落系数描述。
2. 张量表述：通过对接收到的导频信号进行向量化，并利用 Kronecker 积和 Khatri-Rao 积的性质，作者推导出了接收信号与级联信道参数之间的线性关系。该关系被重构为三阶 Tucker 张量模型：
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   其中，$\mathcal{R}$ 表示接收数据张量，$\mathbf{A}_{rx}$ 和 $\mathbf{A}_{tx}$ 分别是 BS 和 UE 的导向矩阵，$\mathbf{P}_B$ 包含 IRS 几何信息，$\mathcal{F}$ 是表示路径系数的核心张量。
3. 提出的算法：推导了两种算法来解决参数估计问题（恢复因子矩阵和核心张量）：
   • Tucker-ALS（交替最小二乘法）：一种迭代算法，通过求解最小二乘子问题交替更新 $\mathbf{A}_{rx}$、$\mathbf{A}_{tx}$、$\mathbf{P}_B$ 和核心张量向量 $\mathbf{f}$ 的估计值，直至收敛。
   • Tucker-HOSVD（高阶奇异值分解）：一种闭式解，通过对接收张量的模态展开执行截断 SVD 来计算因子矩阵，随后通过伪逆步骤估计核心张量。

主要贡献

• 新颖信号模型：本文引入了专门针对静态 IRS 辅助 MIMO 信道的三阶 Tucker 张量模型，明确利用了级联信道的几何结构。
• 双重算法方法：作者提供了两种不同的解决方案：一种迭代 ALS 方法和一种非迭代 HOSVD 方法，根据收敛需求与计算速度的权衡提供实施灵活性。
• 复杂度分析：研究包括详细的计算复杂度分析，将所提方法与经典的最小二乘法（LS）和最先进的 Khatri-Rao 分解（KRF）算法进行了比较。

仿真结果
数值仿真使用估计级联信道的归一化均方误差（NMSE）评估性能：

• 性能增益：所提出的基于张量的方法（包括 ALS 和 HOSVD）显著优于经典 LS 和 KRF 基准。具体而言，所提方法相比 LS 实现了约 10 dB 的改进，相比 KRF 实现了约 5 dB 的改进。
• 算法比较：迭代 ALS 算法表现出略好的性能（约 1 dB 增益），优于闭式 HOSVD，但两者均优于基准。
• 收敛行为：在低信噪比（SNR）区域或传播路径数量增加时，ALS 算法需要更多迭代。相反，增加 IRS 元件数量（$N$）会减少达到收敛所需的迭代次数。
• 计算成本：尽管性能有所提升，但所提 ALS 和 HOSVD 方案的计算复杂度与基准 LS 和 KRF 算法相当。作者指出，所有方案中的主导成本仍然是初始 LS 步骤或 SVD/伪逆运算，这些成本在不同方法中按相似比例扩展。

意义与主张
本文主张，通过利用组合信道的代数张量结构，所提方法在相对于现有最先进技术的计算复杂度不增加的情况下，实现了更优越的估计精度。作者将这项工作定位为迈向 5G 之后（B5G）和 6G 网络高效信道估计的一步，在这些网络中 IRS 部署预计将至关重要。该工作并未声称解决时变信道问题（参考其先前工作），而是专注于优化静态信道估计，以实现有效的 IRS 相移配置。