ISTA-Based Joint Dictionary Learning and Channel Estimation for XL-MIMO Systems

技术摘要：用于 XL-MIMO 信道估计的 DL-ISTA

问题陈述
在超大规模多输入多输出（XL-MIMO）系统中，精确的信道估计受限于近场传播效应。与阵列响应仅取决于角度的远场场景不同，近场波表现出球面曲率，使得响应不仅取决于到达角，还取决于传播路径的距离。现有方法通常依赖于将这种连续的角度-距离空间离散化为固定网格。这种方法在实际路径参数与网格点不一致时，会引入“网格失配”误差。虽然多阶段细化方法（例如 P-OMP 后接 P-SIGW）试图缓解这一问题，但会增加计算复杂度。相反，数据驱动的方法通常需要大量的训练数据。因此，需要一种能够直接在连续参数空间中运行的方法，以避免离散化误差并保持计算效率。

该论文提出了一种 DL-ISTA（字典学习迭代软阈值算法）框架，用于联合近场字典学习与信道估计。其核心创新在于同时估计稀疏信道系数和连续的角度-距离参数，从而绕过了对固定网格的需求。

该方法将估计任务表述为一个 $\ell_1$ 正则化的非凸优化问题：
$$\min_{G, \phi, r} \|A(\phi, r)GP - Y\|_F^2 + \alpha \|G\|_{1,1}$$
其中 $G$ 代表稀疏路径增益，$\phi$（角度余弦）和 $r$（距离）是连续的字典参数。

该方案采用交替优化策略：

1. 稀疏系数更新： 在参数固定的情况下，该问题简化为一个凸 $\ell_1$ 正则化最小二乘问题，通过单步迭代软阈值算法（ISTA）进行求解。
2. 字典学习（参数更新）： 在系数固定的情况下，通过精细化连续的角度和距离参数来最小化重建误差。这是通过**对角高斯-牛顿方案（diagonal Gauss-Newton scheme）**实现的。为了避免求逆完整海森矩阵（Hessian matrix）的高昂代价，该方法仅使用近似海森矩阵中对应的对角元素来独立更新每个参数。
3. 初始化： 鉴于问题的非凸性质，作者使用 Sobol 序列来初始化角度-距离对。这些低差异序列提供了参数空间内确定性的均匀覆盖，与伪随机采样相比，更有利于收敛到理想的局部最优解。

主要贡献

• 联合优化框架： 本文引入了 DL-ISTA，它将信道估计与字典学习统一到一个优化循环中，消除了固定网格方法固有的离散化误差，并避免了两阶段细化方法带来的性能损失。
• 鲁棒初始化： 使用 Sobol 序列初始化连续参数被强调为确保在高度非凸优化景观中实现收敛的关键因素。
• 效率与性能： 所提方法实现了与复杂的稀疏贝叶斯学习（CP-SBL）方法相当的先进精度，同时显著降低了计算复杂度。

数值结果
在不同的信噪比（SNR）、天线数量（$M$）、导频长度（$N$）和传播路径数（$L$）的 XL-MIMO 设置下进行了仿真。性能使用归一化均方误差（NMSE）进行衡量。

• 精度： 在所有测试的 SNR 范围内，DL-ISTA 始终保持最低的 NMSE。在 20 dB SNR 时，其表现优于两阶段 P-OMP+P-SIGW 基准方法约 40%。
• 与 CP-SBL 的比较： DL-ISTA 达到或略微超过了 CP-SBL 基准方法的估计精度。
• 计算复杂度： DL-ISTA 的复杂度随天线数量呈二次方增长（$O(M^2)$），与 P-OMP+P-SIGW 相似。相比之下，CP-SBL 的复杂度呈立方增长（$O(M^3)$）。作者指出，DL-ISTA 在达到与 CP-SBL 相当精度的同时，计算成本降低了约一个数量级。
• 可扩展性： 随着传播路径数（$L$）的增加，DL-ISTA 相对于基于网格的方法的性能优势更加显著，表明其在复杂多径环境中的有效性。

意义与主张
本文声称，DL-ISTA 为 XL-MIMO 系统中的近场信道估计提供了一种在估计精度与计算效率之间极具吸引力的平衡。通过直接在连续参数空间中运行，它既避免了网格失配带来的根本限制，又没有产生迭代贝叶斯学习的高昂计算负担或数据驱动方法的训练开销。作者总结认为，该方法特别适用于需要高精度且计算资源受限的场景。未来的工作建议侧重于自动正则化参数选择，以增强其实际应用性。