唐劍　白光富　徐亮　唐艷玲

摘要：隨著第五代移動通信技術(shù)（5G）商用化和5G智能終端的普及，移動通信步入了一個極速物聯(lián)網(wǎng)時代。大規(guī)模多輸入多輸出（massive multiple-input multiple-output，Massive MIMO）技術(shù)通過增加通信系統(tǒng)中的天線數(shù)量，在不增加頻譜資源的條件下大幅提升了系統(tǒng)的頻譜效率與能量效率，成為了5G的核心技術(shù)之一。針對該技術(shù)面臨的很多挑戰(zhàn)，從系統(tǒng)基站端、傳輸過程、用戶端和整體架構(gòu)四個方面綜述其研究動態(tài)，并對大規(guī)模多輸入多輸出正交頻分復(fù)用系統(tǒng)存在的問題進行總結(jié)和展望。

關(guān)鍵詞：大規(guī)模多輸入多輸出;復(fù)雜度;信道模型;毫米波;導(dǎo)頻污染;分布式天線系統(tǒng)

中圖分類號：TN929.5文獻標(biāo)志碼：A

無線通信技術(shù)出現(xiàn)于19世紀(jì)末，在經(jīng)歷了百余年的發(fā)展后，于上世紀(jì)90年代，以模擬調(diào)制與頻分多址技術(shù)（frequency division multiple access，F(xiàn)DMA）為基礎(chǔ)的模擬蜂窩移動電話系統(tǒng)出現(xiàn)，被稱為第一代移動通信技術(shù)（1G）。但由于其通信容量低、易受干擾和覆蓋范圍小等明顯缺陷，很快被第二代移動通信技術(shù)（2G）替代。2G使用了數(shù)字調(diào)制、時分多址（time division multiple access，TDMA）或碼分多址（code division multiple access，CDMA）技術(shù)，大幅改善了通信效果，同時支持低速的數(shù)據(jù)交互。之后的第三代移動通信技術(shù)（3G）則是通過使用CDMA技術(shù)特征，伴以帶寬擴展，極大提升了數(shù)據(jù)傳輸速率，拓寬了業(yè)務(wù)范圍。3G技術(shù)真正讓移動通信步入了互聯(lián)網(wǎng)時代，大量移動終端的接入和不同用戶的數(shù)據(jù)需求使頻譜資源越來越緊缺，因而促使了第四代移動通信技術(shù)（4G）的出現(xiàn)。4G系統(tǒng)采用了多種新興技術(shù)，其中正交頻分復(fù)用（orthogonal frequency division multiplexing，OFDM）技術(shù)，使系統(tǒng)抗信道衰落能力更強，通信穩(wěn)定性更優(yōu)以及頻譜效率更高;多輸入多輸出（multiple-input multiple-output，MIMO）技術(shù)在不增加頻譜資源的前提下，大幅提升了通信容量;智能天線技術(shù)則是實現(xiàn)了在空域上編碼信號的功能，進一步提升了信號的辨別能力;而軟件定義的無線電（software defined radio，SDR）技術(shù)則通過軟件來定義通用集成電路的通信功能，避免硬件的無意義更替，降低了通信成本。雖然通過以上技術(shù)，系統(tǒng)性能有了大幅提升，但是“信道阻塞”現(xiàn)象還是存在，比如在人員大量聚集的場所，4G網(wǎng)絡(luò)便會癱瘓。5G通過毫米波、Massive MIMO、三維波束賦形以及小基站等技術(shù)實現(xiàn)了擴頻，提升了信道容量，通信速率最快可達20 Gibit/s，相比于4G提升了至少一個數(shù)量級，同時還具有低延遲、覆蓋廣和支持高移動性的優(yōu)勢，是當(dāng)下移動通信領(lǐng)域的研究焦點之一[1]。在以上擴頻技術(shù)中，Massive MIMO無論在S（2～4 GHz）、C（4～8 GHz）等低頻波段，還是在U（40～60 GHz）、V（60～80 GHz）、W（80～100 GHz）等高頻波段，均是擴頻的核心架構(gòu)和關(guān)鍵技術(shù)。盡管Massive MIMO技術(shù)尚存在諸多的挑戰(zhàn)，隨著研究的深入，其在5G中的應(yīng)用被寄予了厚望。

本文從基站端系統(tǒng)復(fù)雜度與成本降低，系統(tǒng)傳輸過程中信道建模與融合，用戶端導(dǎo)頻問題的處理方式，系統(tǒng)整體架構(gòu)中兩種排布方式的區(qū)別與聯(lián)系，這四個方面綜述了Massive MIMO-OFDM系統(tǒng)的關(guān)鍵技術(shù)，并進行總結(jié)和展望。

1 Massive MIMO-OFDM系統(tǒng)

Massive MIMO-OFDM系統(tǒng)的本質(zhì)就是利用數(shù)以百計的天線進行通信，并采用OFDM技術(shù)調(diào)制信號，其基本結(jié)構(gòu)如圖1所示。相較于傳統(tǒng)MIMO-OFDM系統(tǒng)，Massive MIMO-OFDM系統(tǒng)主要優(yōu)勢在于：天線數(shù)量的大幅增加增強了系統(tǒng)的空間分集增益與空間復(fù)用增益，同時又借助于天線選擇、毫米波等技術(shù)，使得系統(tǒng)在頻譜效率、能量效率和通信速率等方面得到了極大提升。表1比較了兩者主要性能。

從表1可以看出，隨著天線數(shù)量的大幅增加，Massive MIMO-OFDM系統(tǒng)硬件復(fù)雜性急劇升高。對于該問題，解決方案主要集中于以下兩個方面：其一，簡化射頻鏈路。較為成熟的方案有降低射頻鏈路中的模-數(shù)轉(zhuǎn)換器（analog to digital converter，ADC）采樣精度及量化精度[3]，但這樣會使系統(tǒng)的傳輸速率大幅降低，故而文獻[4]提出了高、低精度ADC結(jié)合使用的方式，降低了系統(tǒng)性能的損耗。其二，減少或避免使用射頻鏈路。MO等[5]提出了借助移相器處理模擬信號的方案，但隨后被證實無法有效降低射頻鏈路的復(fù)雜度;MáNDEZ-RIAL等[6]提出更優(yōu)的方案為借助天線選擇技術(shù)，但需要突破的問題是隨之帶來的龐大運算量以及干擾造成的效率降低。此外，大量天線也帶來了系統(tǒng)軟件計算量的增加，系統(tǒng)中的預(yù)編碼過程及信道估計算法的計算復(fù)雜度將成倍提高，因此，優(yōu)化算法，降低計算量是關(guān)鍵問題之一。

另一個關(guān)鍵問題是系統(tǒng)的信道狀態(tài)有大幅改變。首先，某些信道參數(shù)從無規(guī)律波動變?yōu)橛新煽裳?其次，因為大量天線和OFDM技術(shù)的使用，子信道數(shù)量成倍擴展，信道矩陣維度大幅提高。因此，建立符合高緯度信道的信道模型成為了關(guān)鍵。早期相關(guān)研究多集中于天線數(shù)量少于100的“準(zhǔn)Massive MIMO”系統(tǒng)[7-8]，而對于Massive MIMO系統(tǒng)信道的研究主要由來自瑞典隆德大學(xué)的Fredrik Tufvesson團隊[9-10]及美國Bell實驗室[11]開展。近年來，通過總結(jié)前人工作，毫米波技術(shù)、信道非平穩(wěn)性[12-13]、海量信道測量數(shù)據(jù)，以及高頻段波束覆蓋面積成為了主要研究問題。

表1中有關(guān)噪聲干擾的信息表明，Massive MIMO-OFDM系統(tǒng)受傳播路徑中的噪聲與衰落影響較弱，新增的干擾為“導(dǎo)頻污染”。對于該問題，已有研究發(fā)現(xiàn)，在時分雙工（time-division duplex，TDD）制式的系統(tǒng)中，由于信道存在上下行互易性，導(dǎo)頻開銷正比于用戶數(shù)，而用戶數(shù)相對較少，因此主要問題為“導(dǎo)頻污染”[14]。其產(chǎn)生原因為基站端在估計信道狀態(tài)信息（channel state information，CSI）時，受到臨近小區(qū)使用相同導(dǎo)頻的用戶干擾，導(dǎo)致估計結(jié)果出現(xiàn)偏差。而在頻分雙工（frequency-division duplex，F(xiàn)DD）制式的系統(tǒng)中，因為信道不存在互易性，導(dǎo)頻開銷與基站端的天線數(shù)量成正比，極大降低了系統(tǒng)的頻譜效率與傳輸速率[15]。因此，關(guān)于導(dǎo)頻的問題便分為兩種不同的研究方向：TDD制式下，關(guān)鍵是降低“導(dǎo)頻污染”的影響;FDD制式下，關(guān)鍵是降低導(dǎo)頻開銷。

除此之外，為優(yōu)化用戶體驗，系統(tǒng)的排布方式也成為了討論熱點之一[1]。其不僅有將天線集中于一個基站的集中式系統(tǒng)（如圖2所示），也有引用中繼概念的中繼式系統(tǒng)，以及將天線分開放置的分布式系統(tǒng)。相較于集中式系統(tǒng)，中繼式系統(tǒng)和分布式系統(tǒng)在某些方面都有所改進。例如，中繼式系統(tǒng)應(yīng)對突發(fā)事件應(yīng)急通信、大規(guī)模賽事或峰會時有極大優(yōu)勢，而分布式系統(tǒng)在提升小區(qū)覆蓋范圍、邊緣用戶吞吐量、系統(tǒng)可達速率，以及消除室內(nèi)盲區(qū)等方面有更好的性能。目前，這兩者主要研究工作是探究并優(yōu)化系統(tǒng)性能，且中繼式系統(tǒng)需要更多地考慮物理層安全性。

2 Massive MIMO-OFDM系統(tǒng)中的復(fù)雜度及成本、功耗降低Massive MIMO-OFDM系統(tǒng)中的復(fù)雜度及成本、功耗問題中，硬件方面主要涉及混合ADC結(jié)構(gòu)與天線選擇算法，軟件方面主要涉及信道估計算法。

2.1 混合ADC結(jié)構(gòu)

研究表明，采用混合ADC結(jié)構(gòu)的系統(tǒng)不僅可以有效降低硬件復(fù)雜度，還對系統(tǒng)性能有較大影響。文獻[16-18]分別從頻譜效率、能量效率和用戶功率分配等角度進行了分析。結(jié)果表明，系統(tǒng)中高、低精度ADC數(shù)量之比可作為系統(tǒng)參數(shù)之一，直接影響頻譜效率、能量效率和傳輸速率等性能。因此，通過改變這一比值，找到系統(tǒng)各項性能的最佳折中點，成為了研究的主要方向。

VERENZUELA等[19]討論了不同ADC精度分配方案對系統(tǒng)頻譜效率和能量效率之和的影響。結(jié)果表明，當(dāng)ADC精度低于6位時，對于使用正則化迫零的協(xié)作式無蜂窩Massive MIMO系統(tǒng)，文中所提分配方案相比于平均分配方案有30%的性能提升。AHMED等[20]提出了一種在功率約束條件下，對裝有可變精度ADC毫米波Massive MIMO系統(tǒng)的最優(yōu)能量有效比特分配算法，優(yōu)化系統(tǒng)能量效率，同時降低了計算復(fù)雜度。SHI等[21]從混合ADC結(jié)構(gòu)對系統(tǒng)波束到達角估計的影響出發(fā)，推導(dǎo)了該結(jié)構(gòu)對應(yīng)的克萊美-羅界（Cramér-Rao Bound），并通過求根多信號分類理論進行了詳細(xì)分析。結(jié)果表明：混合ADC結(jié)構(gòu)可以實現(xiàn)系統(tǒng)性能、成本及能量效率的平衡，僅使用1～4位低精度的ADC便可以達到較好的系統(tǒng)性能。JIN等[22]基于深度學(xué)習(xí)理論，提出了兩種上行鏈路信道估計方法，兩者皆可利用高、低精度ADC同時接收并處理導(dǎo)頻信息，提高了信道估計精度。相較于原算法，改進的選擇性輸入預(yù)深度神經(jīng)網(wǎng)絡(luò)算法可以在不降低系統(tǒng)性能的前提下減少高精度ADC數(shù)量。

上述研究只單純討論了使用混合ADC結(jié)構(gòu)的普通Massive MIMO-OFDM系統(tǒng)。近年來，將混合ADC結(jié)構(gòu)應(yīng)用于其他復(fù)雜系統(tǒng)的研究也得到了重視。文獻[23]和[24]研究了在使用了天線選擇技術(shù)的毫米波Massive MIMO系統(tǒng)中，混合ADC結(jié)構(gòu)的應(yīng)用問題。前者為了提高系統(tǒng)的能量效率，提出了一種動態(tài)分配ADC精度的算法。結(jié)果表明，該算法進一步降低了復(fù)雜度，可以得出系統(tǒng)具有最優(yōu)能量效率時所需的ADC數(shù)量，并從信噪比的角度驗證其性能。后者則是從系統(tǒng)性能及功率優(yōu)化兩個方面進行了分析，通過推導(dǎo)系統(tǒng)可達速率的閉合表達式，提出了一種發(fā)射功率一定時，最大化系統(tǒng)可達速率的算法，同時找出了系統(tǒng)能量效率隨ADC精度的變換趨勢以及頻譜效率與能量效率的最佳折中點。SAID等[25]將雙精度ADC與雙向中繼式Massive MIMO系統(tǒng)結(jié)合，該結(jié)構(gòu)可以提升系統(tǒng)的可達速率和能量效率，同時降低了系統(tǒng)功耗。

綜上所述，混合ADC結(jié)構(gòu)的研究重心是精度分配，其在射頻鏈路中有多種精度ADC供選擇，靈活性更高，但這不可避免地導(dǎo)致資源浪費，所以采用與可調(diào)精度ADC和動態(tài)分配等方案結(jié)合的方式，可以進一步提升系統(tǒng)性能，避免增加硬件成本。

2.2 天線選擇技術(shù)

天線選擇技術(shù)的核心是在大量天線中選出最優(yōu)的天線，并自適應(yīng)配置在少量射頻鏈路上進行信號的收發(fā)，從而降低系統(tǒng)硬件復(fù)雜度、功耗和成本。經(jīng)典的天線選擇算法有：窮舉法、遞增遞減算法、基于范數(shù)的算法等。但當(dāng)這些算法直接應(yīng)用于Massive MIMO-OFDM系統(tǒng)時，皆會面臨嚴(yán)重的復(fù)雜度問題。

在早期研究中，主要研究工作集中在提出符合Massive MIMO-OFDM系統(tǒng)的天線選擇算法[26-27]，后續(xù)工作重心轉(zhuǎn)向了降低算法復(fù)雜度及處理干擾問題上。GAO等[28]考慮了多用戶間的干擾問題，提出了一種干擾感知天線選擇算法，將用戶分為干擾組與非干擾組。對干擾組選擇大功率的天線波束，對非干擾組采用基于速率最大化準(zhǔn)則的低復(fù)雜度增量算法選擇合適天線波束。結(jié)果表明，對比傳統(tǒng)方案，該方案具有更高的能量效率與接近最優(yōu)的和速率性能。ILANGO等[29]從避免天線相關(guān)因子在波束空間引起的干擾來提高系統(tǒng)能量效率的角度出發(fā)，提出了3種天線選擇算法。仿真結(jié)果表明：所提出的方案在不增加系統(tǒng)硬件復(fù)雜度的前提下，提高了系統(tǒng)能量效率與可達速率;同時，其中兩種方案相比于其他傳統(tǒng)方案，計算量更少。SHEIKH等[30]研究了TDD制式下的用戶分組問題，從獲取最大信道增益的角度，找出了一種擁有最大系統(tǒng)和速率的天線選擇方案。

對于利用天線選擇算法優(yōu)化其他系統(tǒng)環(huán)節(jié)也有許多研究。GAO等[31]考慮了全雙工制式下的Massive MIMO-OFDM系統(tǒng)，建立系統(tǒng)最大保密容量與系統(tǒng)能量效率的優(yōu)化函數(shù)，通過一種新的天線選擇算法實現(xiàn)了兩者的平衡。KHALID等[32]根據(jù)深度學(xué)習(xí)理論提出了一種借助天線選擇的聯(lián)合混合預(yù)編碼方案，該方案使得系統(tǒng)的頻譜效率與計算復(fù)雜度有所優(yōu)化。LIN等[33]利用深度學(xué)習(xí)理論研究了毫米波系統(tǒng)中獲取CSI的簡化方案，通過建立天線之間的外推方案，簡化了天線選擇算法，從而降低了獲取CSI的算法復(fù)雜度。

天線選擇算法的核心問題是對不同用戶配備合適的選擇方法。因此，合理的用戶分組以及多種應(yīng)對不同用戶特性的選擇方案是關(guān)鍵。對于用戶分組，可以從其對應(yīng)的傳輸信道出發(fā)，亦可從其所需服務(wù)要求出發(fā);而對于不同的分組，則要抓住其特性中的主要矛盾，選擇對該問題有最優(yōu)效果的天線選擇方式。例如，對于所處環(huán)境復(fù)雜，易受多徑干擾的用戶，應(yīng)盡量減少天線數(shù)量，提升各天線的功率;而對受信道干擾較少的用戶，應(yīng)使用多個低功耗的天線同時傳輸?shù)姆绞健?/p>

2.3 信道估計算法

信道估計算法是Massive MIMO-OFDM系統(tǒng)的關(guān)鍵算法，因為系統(tǒng)中諸如天線選擇算法、導(dǎo)頻設(shè)計等眾多環(huán)節(jié)皆以知悉良好的CSI為前提，其重要性不言而喻。

目前，適用于Massive MIMO-OFDM系統(tǒng)的信道估計算法多基于壓縮感知理論提出。這些算法可以在使用少量導(dǎo)頻的情況下較好地估計信道信息，使得頻譜資源利用率提高;同時，相比于傳統(tǒng)方案，計算復(fù)雜度亦有所降低。黃源等[34]基于深度學(xué)習(xí)理論，在不了解稀疏度的情況下，從測量矩陣出發(fā)，利用逆變換求出信號矩陣，解決了FDD制式下行鏈路中壓縮感知框架下的欠定最優(yōu)化問題，實現(xiàn)了對原始稀疏信道的重建，同時借助仿真證明其可行性與準(zhǔn)確性。UMA等[35]利用自相關(guān)矩陣與塊相關(guān)矩陣聯(lián)合，分析了多用戶MIMO系統(tǒng)的訓(xùn)練序列模型，并采用布谷鳥優(yōu)化對其進行了改進，從而得到了較高的系統(tǒng)信噪比。

信道估計算法除了本身問題的解決與優(yōu)化，在不同通信環(huán)境下的兼容問題也逐漸被重視。YI等[36]研究了高速車載通信場景下的信道估計問題。該系統(tǒng)使用毫米波頻段，通過建立快速時變信道的數(shù)學(xué)模型，預(yù)測其先驗信息，得到站與機車間的時變規(guī)律與到達角，基于此完成了信道估計。仿真結(jié)果表明，該方案相比于傳統(tǒng)方法提升了傳輸速率。RAUT等[37]將視野定位于多媒體領(lǐng)域，研究并提出了一種新的信道估計算法，以保障其系統(tǒng)性能。

目前，信道估計算法的研究不僅要考慮提升估計精度和降低復(fù)雜度等基本要求，還需考慮不同通信環(huán)境下和不同使用功能系統(tǒng)的適應(yīng)問題。對于不同系統(tǒng)條件下，信道估計算法的切入點應(yīng)有所區(qū)別。例如，高速或多徑效應(yīng)嚴(yán)重場景，應(yīng)多考慮時延所帶來的干擾。

3 Massive MIMO-OFDM系統(tǒng)中的信道模型建立及融合從理論上研究系統(tǒng)的輸入輸出關(guān)系，并在實際場景中進行實測，是通信系統(tǒng)信道模型建立的普遍手段。目前，在Massive MIMO-OFDM系統(tǒng)的信道模型建立中，一方面，傳統(tǒng)建模方式無法反映信道的非平穩(wěn)特性;另一方面，海量的信道實測數(shù)據(jù)難以處理，而隨著毫米波技術(shù)的引入，高頻段波束通信覆蓋面積小的問題亦急需解決。

3.1 信道建模

傳統(tǒng)建模方法可分為統(tǒng)計性建模方法與確定性建模方法。前者所建模型通用性強，算法復(fù)雜度較低，但對具體環(huán)境要分析其與建模環(huán)境的匹配程度，并且需要大量實測數(shù)據(jù)支撐。典型的幾何隨機模型如下：

假設(shè)收發(fā)兩端為理想的點源信號。接收信號為不同電磁波的疊加，使用信道沖擊響應(yīng)表征信道特性，則第k個發(fā)射陣元信道的沖激響應(yīng)表示為

由式（2）可以看出，信道模型參數(shù)與系統(tǒng)周圍環(huán)境有密切關(guān)系，所以用該方案建模的模型都有明確的場景分類。例如宏蜂窩與微蜂窩，對應(yīng)于不同場景;再如均勻分布、瑞利分布等，對應(yīng)于不同分布方式。

而確定性建模方法是依據(jù)傳播環(huán)境的地理地形，根據(jù)電磁波傳播理論或光學(xué)射線理論分析并預(yù)測無線傳播模型。該方案可以辨別信道中的多徑，計算結(jié)果準(zhǔn)確，但計算量極大，一般只針對某一特定地理結(jié)構(gòu)，靈活性較差。

對于Massive MIMO-OFDM系統(tǒng)的信道建模而言，傳統(tǒng)方法中的統(tǒng)計性建模方案尚可采用，但無法體現(xiàn)Massive MIMO-OFDM信道的非平穩(wěn)特性;而確定性建模方案因計算復(fù)雜度的問題已不適用?；诖?，閉宇銘[39]討論了Massive MIMO非平穩(wěn)信道的建模方案。首先，基于Massive MIMO信道特性論證了將動態(tài)簇引入建模的可行性;其次，分析了天線流型、極化特性與互耦效應(yīng)對信道模型的影響，并通過仿真實驗驗證了合理性;再次，借助幾何統(tǒng)計的方法充分利用簇的生滅過程來體現(xiàn)信道的非平穩(wěn)特性，從而建立了Massive MIMO信道。對比只考慮天線數(shù)量、間距的信道模型，該方案所得信道模型更接近于實測數(shù)據(jù)，但由于采用了統(tǒng)計性建模方法，精確性仍不足。

為提升建模準(zhǔn)確度，解決系統(tǒng)信道測量數(shù)據(jù)龐大和難以處理的問題，文獻[40-42]提出使用大數(shù)據(jù)與人工智能的手段輔助建立信道模型。其優(yōu)勢在于通過大量的信道模型訓(xùn)練，可以將統(tǒng)計性建模方法中的不確定因素基于真實信道通信數(shù)據(jù)進行固化，從而建立一個最優(yōu)參數(shù)集，使得在環(huán)境發(fā)生變化時，信道模型可以精準(zhǔn)調(diào)整。但關(guān)于該建模方法的研究處于起步階段，研究成果較少，尚未形成正式的技術(shù)方案。研究內(nèi)容主要聚焦于聚簇算法的信道參數(shù)估計，以降低信道維度為手段的信道模型建立以及神經(jīng)網(wǎng)絡(luò)等細(xì)節(jié)層次。

信道建模技術(shù)今后需要改進的方向，除了上述幾點，還需考慮天線陣列的排布所帶來的影響。因為單純的一維或二維天線陣列已經(jīng)無法滿足Massive MIMO-OFDM的要求，三維天線陣列將是未來系統(tǒng)的主流，屆時系統(tǒng)的信道狀態(tài)將更為復(fù)雜。

3.2 毫米波信道

國際電聯(lián)于2015年所擬定的毫米波通信建議頻段為：24.25～27.50 GHz，31.80～33.40 GHz，37.00～40.50 GHz，40.50～43.50 GHz等頻段。此外，美國聯(lián)邦通信委員會于2017年規(guī)劃了共10.85 GHz的毫米波頻段用于移動通信，包含27.50～28.35 GHz，37.00～38.60 GHz，38.60～40.00 GHz三個頻段[43]。由此我們可以看出：毫米波頻段頻譜資源相較于低頻頻段頻譜資源有了極大提升，在Massive MIMO-OFDM系統(tǒng)的發(fā)展中有極為重要的地位;并且在前文所述研究中，毫米波技術(shù)已經(jīng)廣為運用，是未來擴展帶寬和提升速率不可或缺的途徑。

毫米波頻段在實際應(yīng)用中，會面臨以下問題：空間傳播的路徑衰減較大，穿透和繞射能力差，易受環(huán)境遮擋物影響等。針對該問題，可以使用天線陣列技術(shù)形成定向性高的窄波束來對抗損耗，即波束賦形技術(shù)。

已有的波束賦形技術(shù)分為數(shù)字預(yù)編碼、模擬波束賦形以及兩者結(jié)合的混合預(yù)編碼技術(shù)，其中，混合預(yù)編碼技術(shù)進一步提升了系統(tǒng)頻譜效率，得到了廣泛關(guān)注。JIAN等[44]結(jié)合Dinkelbach算法與加權(quán)最小均方誤差進行毫米波Massive MIMO-OFDM系統(tǒng)的混合預(yù)編碼優(yōu)化，有效降低系統(tǒng)的誤碼率，頻譜效率與能量效率獲得提升。WANG等[45]利用等效信道的概念，將發(fā)送端一部分預(yù)編碼方案移至接收端，從而降低了算法復(fù)雜度。LIU等[46]采用將壓縮采樣匹配追蹤算法與字典學(xué)習(xí)算法結(jié)合的迭代算法，增強毫米波Massive MIMO-OFDM系統(tǒng)的碼本。

上述研究都是對預(yù)編碼方案的優(yōu)化，但是沒有解決該技術(shù)的另一個問題，即信號的物理覆蓋面較小，難以適用于高速移動場景。針對此問題，KIBAROGLU等[47]提出了通過動態(tài)波束賦形技術(shù)等來實現(xiàn)動態(tài)空間波束調(diào)整，以擴大信號覆蓋范圍。

此外，部分研究者也著手于其他細(xì)節(jié)問題。錢堃等[48]研究了系統(tǒng)中的用戶定位問題，利用系統(tǒng)CSI與天線排布信息估計基站到各用戶間的信號離開角，提出了一種具有高追蹤精度的定位系統(tǒng)。蒯樂等[49]研究了天線陣列因失效而對系統(tǒng)造成的影響，對不同數(shù)量通道失效以及失效通道處于不同失效狀態(tài)時的輻射特性進行了統(tǒng)計性分析，建立了Massive MIMO-OFDM陣列部分通道失效的方向圖參數(shù)概率模型，并通過仿真驗證了其正確性與有效性。

總之，波束賦形技術(shù)的主要難點是高頻段、大通信帶寬下的CSI獲取和高計算復(fù)雜度。因此，設(shè)計出對CSI依賴性弱，避免遍歷搜尋的波束搜索方案是當(dāng)務(wù)之急。

4 Massive MIMO-OFDM系統(tǒng)中的導(dǎo)頻優(yōu)化導(dǎo)頻問題作為Massive MIMO-OFDM系統(tǒng)的瓶頸問題，一直受到大量關(guān)注。在FDD制式下，主要導(dǎo)頻問題是導(dǎo)頻開銷與天線數(shù)成正比導(dǎo)致導(dǎo)頻開銷極大;而TDD制式下，主要導(dǎo)頻問題是導(dǎo)頻數(shù)量有限，當(dāng)應(yīng)對多小區(qū)情況時，會存在“導(dǎo)頻污染”。

4.1 FDD下的導(dǎo)頻開銷

因為TDD制式下有導(dǎo)頻開銷小的優(yōu)越性，F(xiàn)DD制式下導(dǎo)頻問題討論度不高。但由于現(xiàn)行通信系統(tǒng)的上下行鏈路多采用FDD制式，所以考慮系統(tǒng)更新的過渡性，該問題仍有討論價值。早期關(guān)于該問題的研究中，ADHIKARY等[50]提出了聯(lián)合空分復(fù)用方案，利用信道相關(guān)性與稀疏性，將預(yù)編碼過程分為兩級。新加入的一級方案為在原預(yù)編碼方案外層借助用戶調(diào)度手段，將具有類似空間特性的用戶分配至同一組，并使用信道統(tǒng)計信息進行第一層預(yù)編碼;這樣原始高維信道轉(zhuǎn)化為低維有效信道，從而大幅降低了信道估計所需的導(dǎo)頻開銷，同時簡化了預(yù)編碼方案設(shè)計。后續(xù)仿真實驗雖然驗證了其可行性，但該方案的主要問題是導(dǎo)頻開銷優(yōu)化、信道估計方案、有效信道降維程度等內(nèi)容設(shè)計并不明確，同時外層預(yù)編碼方案也需要定期更新。CHEN等[51]從這一方面進行了改進，在時變信道下，設(shè)計了一種低復(fù)雜度的在線更新算法，用于跟蹤信道統(tǒng)計變化時的外層預(yù)編碼。

上述研究不足之處在于，一方面，將信道估計與數(shù)據(jù)傳輸兩階段分離，特別在設(shè)計最優(yōu)導(dǎo)頻時，采用了最小化均方誤差設(shè)計標(biāo)準(zhǔn)，忽視了信道估計精度與傳輸速率的關(guān)系;另一方面，沒有做好系統(tǒng)性能與功耗的平衡?；诖耍跻鉡52]聯(lián)合考慮了兩個階段的過程，從能耗角度出發(fā)，提出了一種避免遍歷搜索的中復(fù)雜度資源分配算法。

因此，F(xiàn)DD制式下導(dǎo)頻開銷大的問題主要由各天線都發(fā)送導(dǎo)頻信息引起。若對相似用戶、經(jīng)歷相似信道的天線之間使用算法建立合理的推演關(guān)系，那么便可以避免全部天線需要發(fā)送導(dǎo)頻的問題。

4.2 TDD下的導(dǎo)頻污染

TDD制式下的導(dǎo)頻污染問題無法隨著天線數(shù)量增多而消失，因此成為了系統(tǒng)中干擾的主要來源。對于該問題的研究內(nèi)容很多。早期研究中，文獻[53] 和[54]分別提出了利用信號到達角空間分布情況和基于子空間映射的信道估計算法。兩者都具有良好的導(dǎo)頻消除效果，前者將協(xié)作式信道估計與導(dǎo)頻分配方案相結(jié)合;后者使用了非協(xié)作方案，通過將接收信號進行子空間映射以消去小區(qū)間干擾，進一步利用導(dǎo)頻信號估計降維后有效信道信息。

最近的研究中，GUO等[55]提出了一種基于時移導(dǎo)頻的固定分配算法，實現(xiàn)了上行數(shù)據(jù)功率的重新分配，提升了系統(tǒng)中邊緣終端的通信能力，降低了導(dǎo)頻污染的影響。智慧[56]提出了一種將用戶分組與聯(lián)盟博弈聯(lián)合的動態(tài)導(dǎo)頻分配方案。該方案通過提高導(dǎo)頻分配靈活性，從而有效提高了用戶的平均服務(wù)速率。

TDD制式下“導(dǎo)頻污染”問題產(chǎn)生的根源是導(dǎo)頻重復(fù)利用，則解決問題的關(guān)鍵便是給導(dǎo)頻做好“標(biāo)記”用以區(qū)分或是岔開使用時間。因而研究的主要方向，一方面，根據(jù)不同小區(qū)間使用相同導(dǎo)頻用戶在信道上或物理位置上的區(qū)別來消除干擾;另一方面，亦可抓住動態(tài)分配思路，做好不同小區(qū)間的協(xié)作來解決該問題。

近年來，結(jié)合兩種制式優(yōu)勢的全雙工系統(tǒng)研究逐漸提升[1]。相比于TDD或FDD制式，該技術(shù)理論上提升了一半的無線資源，但面臨的一個嚴(yán)重問題是由于收發(fā)兩端信號功率差極大而帶來的自干擾問題。關(guān)于該方面的理論研究較多，包括模擬端干擾抵消、對已知干擾信號的數(shù)字端干擾抵消、兩者的混合方案，以及利用附加天線進行干擾抵消等。同時，雖然從實驗上驗證了可行性，但參考實驗較少，并且現(xiàn)有結(jié)果也表示全雙工技術(shù)不能在所有條件下獲得理想增益。另外，對于全雙工制式下的導(dǎo)頻問題討論較少，缺乏參考，需要深入研究。

5 Massive MIMO-OFDM系統(tǒng)的排布方式選擇一般情況下，Massive MIMO-OFDM系統(tǒng)的排布方式為集中式，但由于其覆蓋面積受基站功耗及長距離通信的干擾等限制，導(dǎo)致無法覆蓋邊緣地區(qū)或復(fù)雜地形的室內(nèi)場所，因此，實際應(yīng)用中還應(yīng)考慮其他排布方式。

5.1 中繼式排布方式

中繼式排布方式是集中式排布方式的改進方案，通過在基站端與用戶端之間增加中繼節(jié)點，使得系統(tǒng)在邊緣用戶容量提升、鏈路可靠性增強、小區(qū)覆蓋擴展、應(yīng)急保障通信等方面的性能有所提升。同時，中繼技術(shù)本身在無線攜能傳輸與物理層安全通信中存在技術(shù)優(yōu)勢，并且易于部署，不需要回程鏈路，所以采用中繼式排布方式的系統(tǒng)架構(gòu)是未來異構(gòu)網(wǎng)絡(luò)中不可缺少的組成部分。

但中繼式排布方式自引入Massive MIMO-OFDM系統(tǒng)就面臨嚴(yán)重的用戶間干擾問題。為解決該問題，研究人員首先將大規(guī)模天線陣列引入到中繼節(jié)點，利用Massive MIMO技術(shù)中簡單的線性預(yù)編碼，接收機方案在不增加時頻開銷的情況下，獲得了良好的用戶間干擾消除特性;進一步結(jié)合毫米波技術(shù)將中繼節(jié)點的天線陣元尺寸減小，為在中繼節(jié)點、小區(qū)基站部署大規(guī)模天線陣列提供了可能。2013年，文獻[57-58]以此為基礎(chǔ)，提出在TDD制式下于中繼節(jié)點部署大量天線的中繼式系統(tǒng)，并分別從多用戶傳輸與物理層安全兩個方面做了初步的性能研究。

后續(xù)研究的重點之一便是對中繼系統(tǒng)性能的優(yōu)化。WAQAR等[59]研究了基于點對點解碼轉(zhuǎn)發(fā)的Massive MIMO-OFDM中繼網(wǎng)絡(luò)的無線攜能通信問題，假設(shè)系統(tǒng)能量受限，中繼節(jié)點的能量來源只有源終端，并通過限制性能約束條件，分析得到了中繼天線最佳數(shù)量的封閉解。而SAID等[25]亦從系統(tǒng)和速率封閉表達式出發(fā)，討論了其與中繼天線數(shù)量的問題。NGUYEN等[60]基于全雙工中繼MIMO系統(tǒng)，討論了信道估計誤差、收發(fā)器硬件損傷和殘余自干擾對系統(tǒng)性能的影響。通過建立系統(tǒng)符號誤碼率與三者的精確閉合表達式，分析得到三者之中信道估計誤差與收發(fā)器硬件損傷對系統(tǒng)影響更甚。CHU等[61]研究了雙向中繼網(wǎng)絡(luò)中頻譜效率與能量效率的權(quán)衡問題，同時設(shè)計了一種最優(yōu)分配算法，在不同中繼節(jié)點中選取最優(yōu)的傳輸節(jié)點，整體提升了系統(tǒng)能量效率與傳輸效率。

此外，因為中繼節(jié)點的引入，物理層安全性也成為了需要考慮的問題。丁青鋒等[62]以采用混合ADC結(jié)構(gòu)的Massive MIMO-OFDM中繼系統(tǒng)為基礎(chǔ)，通過在基站采用最大比合并算法接收信號，推導(dǎo)出系統(tǒng)保密頻譜效率與保密能量效率表達式，并分析了兩者的平衡關(guān)系，揭示了天線數(shù)與ADC精度對安全性能的影響。仿真結(jié)果表明，隨著竊聽者增加竊聽天線數(shù)，系統(tǒng)需要降低頻譜效率才可保證安全。SONG等[63]提出一種算法，解決了在具有協(xié)同竊聽的物聯(lián)網(wǎng)網(wǎng)絡(luò)中，無線攜能節(jié)點作為中繼節(jié)點時，其使用壽命與保密能量效率的平衡問題。

中繼式排布方式未來的焦點問題仍在于安全性。現(xiàn)有技術(shù)在發(fā)現(xiàn)竊聽者時，皆會通過損耗系統(tǒng)性能來保證通信保密性，這是權(quán)宜之計。今后，增強系統(tǒng)發(fā)現(xiàn)竊聽者的能力，進一步提升竊聽者竊取難度，改善碼本、限制波束發(fā)散等方式都是可行之策。

5.2 分布式排布方式

廣義的分布式天線系統(tǒng)指將配備不同天線的多個遠(yuǎn)端射頻單元（remote radio unit，RRU）部署在小區(qū)不同位置，再通過高速鏈路將各RRU連接至中央處理單元（central unit，CU），在CU處對所有RRU的信號進行聯(lián)合處理。簡單來說，就是將基站端的天線平均分布于基站覆蓋范圍內(nèi)的各處。其優(yōu)勢在于通過各RRU拉近了用戶到基站射頻單元的距離，降低了路徑損耗;各RRU之間的協(xié)作處理，使系統(tǒng)獲得了良好的分集增益，提升了系統(tǒng)的覆蓋能力以及頻譜與能量效率，進一步提升了傳輸容量[64-65]。

近年來，對分布式排布方式的研究主要集中于優(yōu)化其系統(tǒng)性能上。SEKI等[66]提出了一種動態(tài)分配用戶設(shè)備的方法，將宏小區(qū)中的用戶設(shè)備分為不重疊的簇集，并以時分的方式激活，從而避免了簇間干擾的問題，降低了計算復(fù)雜度，提升了系統(tǒng)容量。同時，分布式排布方式與中繼式排布方式的結(jié)合問題也受到了研究人員的關(guān)注。SIRKECI-MERGEN等[67]通過在分布式架構(gòu)中于遠(yuǎn)端射頻單元與中央處理單元之間設(shè)置中繼節(jié)點，構(gòu)建了一個多級通信網(wǎng)絡(luò)，并分析了其性能優(yōu)越性。

分布式排布方式今后研究的重點，一是優(yōu)化各RRU之間的位置關(guān)系，根據(jù)用戶數(shù)量將通信容量做到靈活分配，避免小區(qū)域內(nèi)的資源浪費或資源緊缺造成擁堵問題;二是進一步減小天線的體積以縮小總體架構(gòu)的占地面積。因為引入中繼節(jié)點或者擴大小區(qū)規(guī)模時，為保障通信性能，天線數(shù)量勢必增加，故而天線體積小，功耗低尤為重要。

6 總結(jié)

本文從基站端其硬件與軟件易實現(xiàn)度、傳輸過程中的信道模型、用戶端的導(dǎo)頻問題和整體架構(gòu)中天線排布方式四個方面綜述了Massive MIMO-OFDM系統(tǒng)中幾個關(guān)鍵技術(shù)，并分析了近期研究進展和熱點問題。

從當(dāng)下研究內(nèi)容與成果來看，在后續(xù)研究中，上述幾個關(guān)鍵技術(shù)的改善將圍繞智能化、標(biāo)準(zhǔn)化與微型化展開。其中，智能化體現(xiàn)在混合ADC系統(tǒng)的精度分配及天線選擇技術(shù)中，需要借助動態(tài)分配系統(tǒng)與負(fù)反饋機制尋找通信質(zhì)量與系統(tǒng)效能的最佳平衡點;在信道估計、信道建模與FDD下的導(dǎo)頻開銷問題中，利用大數(shù)據(jù)與深度學(xué)習(xí)系統(tǒng)可以更好地對用戶進行分組，以降低系統(tǒng)數(shù)據(jù)處理量。而標(biāo)準(zhǔn)化則是基于智能化提出的更深層次要求，需要各協(xié)會與通信企業(yè)間借助已有的通信數(shù)據(jù)建立起對不同自然環(huán)境、不同應(yīng)用場景等大環(huán)境下的系統(tǒng)標(biāo)準(zhǔn)參數(shù)庫。該參數(shù)庫可以使系統(tǒng)在工作時直接從標(biāo)準(zhǔn)參數(shù)出發(fā)，更快地尋找到最優(yōu)參數(shù)點而避免資源浪費，并且借助地緣關(guān)系擴展及迭代更新，最終形成一個網(wǎng)狀標(biāo)準(zhǔn)化結(jié)構(gòu)。至于微型化，一方面，旨在解決大量天線帶來的功耗、占地面積與維護等問題，將天線集成不僅可以大幅降低上述成本問題，而且也對獲取CSI、基站與用戶間到達角等參數(shù)有極大幫助;另一方面，在需要將天線安裝到基站外的中繼式或分布式系統(tǒng)中，集成化天線系統(tǒng)也大幅降低了運輸與安裝成本。除此之外，為解決“導(dǎo)頻污染”、通信安全性等問題，現(xiàn)有技術(shù)都會增加編碼成本導(dǎo)致系統(tǒng)性能損失，對該問題目前尚未有明確的解決方案，需要進一步探索。隨著研究的不斷深入，以Massive MIMO-OFDM系統(tǒng)為核心的5G移動通信系統(tǒng)將會獲得快速發(fā)展，未來也將主導(dǎo)6G移動通信技術(shù)的發(fā)展方向。參考文獻：

[1]尤肖虎， 潘志文， 高西奇， 等. 5G移動通信發(fā)展趨勢與若干關(guān)鍵技術(shù)[J]. 中國科學(xué)： 信息科學(xué)， 2014， 44（5）： 551-563.

[2] 張中山， 王興， 張成勇， 等. 大規(guī)模MIMO關(guān)鍵技術(shù)及應(yīng)用[J]. 中國科學(xué)： 信息科學(xué)， 2015， 45（9）： 1095-1110.

[3] WANG S C， LI Y Z， WANG J. Multiuser detection in massive spatial modulation MIMO with low-resolution ADCs[J]. IEEE Transactions on Wireless Communications， 2015， 14（4）： 2156-2168.

[4] LIANG N， ZHANG W Y. Mixed-ADC massive MIMO[J]. IEEE Journal on Selected Areas in Communications. 2016， 34（4）： 983-997.

[5] MO J H， ALKHATEEB A， ABU-SURRA S， et al. Hybrid architectures with few-bit ADC receivers： achievable rates and energy-rate tradeoffs[J]. IEEE Transactions on Wireless Communications， 2017， 16（4）： 2274-2287.

[6] MéNDEZ-RIAL R， RUSU C， GONZáLEZ-PRELCIC N， et al. Hybrid MIMO architectures for millimeter wave communications： phase shifters or switches？[J]. IEEE Acces， 2016， 4： 247-267.

[7] CHIZHIK D， LING J， WOLNIANSKY P W， et al. Multiple-input-multiple-output measurements and modeling in Manhattan[J]. IEEE Journal on Selected Areas in Communications， 2003， 21（3）： 321-331.

[8] KYRITSI P， COX D C， VALENZUELA R A， et al. Effect of antenna polarization on the capacity of a multiple element system in an indoor environment[J]. IEEE Journal on Selected Areas in Communications， 2002， 20（6）： 1227-1239.

[9] GAO X， EDFORS O， RUSEK F， et al. Linear pre-coding performance in measured very-large MIMO channels[C]// IEEE Vehicular Technology Conference. Piscataway： IEEE， 2011： 1-5.

[10]GAO X， TUFVESSON F， EDFORS O， et al. Measured propagation characteristics for very-large MIMO at 2.6 GHz[C]// IEEE Conference Record of the Forty Sixth Asilomar Conference on Signals， Systems and Computers. Piscataway： IEEE， 2012： 295-299.

[11]HOYDIS J， HOEK C， WILD T， et al. Channel measurements for large antenna arrays[C]// IEEE International Symposium on Wireless Communication Systems. Piscataway： IEEE， 2012： 811-815.

[12]LI J Z， AI B， HE R S， et al. Measurement-based characterizations of indoor massive MIMO channels at 2 GHz， 4 GHz， and 6 GHz frequency bands[C]// IEEE 83rd Vehicular Technology Conference. Piscataway： IEEE， 2016： 1-5.

[13]PRATSCHNER S， BLAZEK T， GROLL H， et al. Measured user correlation in outdoor-to-indoor massive MIMO scenarios[J]. IEEE Access， 2020， 8： 178269-178282.

[14]MARZETTA T L. Noncooperative cellular wireless with unlimited numbers of base station antennas[J]. IEEE Transactions on Wireless Communications， 2010， 9（11）： 3590-3600.

[15]RAO X B， LAU V K N. Distributed compressive CSIT estimation and feedback for FDD multi-user massive MIMO systems[J]. IEEE Transactions on Signal Processing， 2014， 62（12）： 3261-3271.

[16]DING Q F， JING Y D. Spectral-energy efficiency tradeoff in mixed-ADC massive MIMO uplink with imperfect CSI[J]. Chinese Journal of Electronics， 2019， 28（3）： 618-624.

[17]PIRZADEH H， SWINDLEHURST A L. Spectral efficiency of mixed-ADC massive MIMO[J]. IEEE Transactions on Signal Processing， 2018， 66（13）： 3599-3613.

[18]GAO H， XIAO K X， XIA B， et al. Mutual information analysis of mixed-ADC MIMO systems over Rayleigh channels based on random matrix theory[J]. IEEE Transactions on Wireless Communications， 2020， 19（7）： 4894-4906.

[19]VERENZUELA D， BJRNSON E， MATTHAIOU M. Optimal per-antenna ADC bit allocation in correlated and cell-free massive MIMO[J]. IEEE Transactions on Communications， 2021， 69（7）： 4767-4780.

[20]AHMED I Z， SADJADPOUR H， YOUSEFI S. An optimal low-complexity energy-efficient ADC bit allocation for massive MIMO[J]. IEEE Transactions on Green Communications and Networking， 2021， 5（1）： 61-71.

[21]SHI B H， ZHU L L， CAI W L， et al. On performance loss of DOA measurement using massive MIMO receiver with Mixed-ADCs[DB/OL].（2021-04-06）[2021-11-24]. https：//arxiv.org/abs/2104.02447.

[22]JIN Z C， GAO S， LIU N， et al. Deep Learning based channel estimation for massive-MIMO with mixed-resolution ADCs and low-resolution information utilization[J]. IEEE Access， 2021， 9： 54938-54950.

[23]HU C C， LI Y S， LIN C Y. Dynamic ADC resolution-mapping for millimeter-wave massive MIMO systems [J]. IEEE Access， 2021， 9： 52414-52424.

[24]ZHOU T， CHEN G C， WANG C X， et al. Performance analysis and power allocation of mixed-ADC multi-cell millimeter-wave massive MIMO systems with antenna selection[J]. Frontiers of Information Technology & Electronic Engineering， 2021， 22（4）： 571-585.

[25]SAID S， SAAD W， SHOKAIR M， et al. On the performance of massive MIMO two-way relaying systems using double precision technique[J]. Analog Integrated Circuits and Signal Processing， 2021， 108： 7-16.

[26]LIU A， LAU V K N. Joint power and antenna selection optimization for energy-efficient large distributed MIMO networks[C]// IEEE International Conference on Communication Systems. Piscataway： IEEE， 2012： 230-234.

[27]MAHBOOB S， RUBY R， LEUNG V C M. Transmit antenna selection for downlink transmission in a massively distributed antenna system using convex optimization[C]// IEEE Seventh International Conference on Broadband， Wireless Computing， Communication and Applications. Piscataway： IEEE， 2012： 228-233.

[28]GAO X Y， DAI L L， CHEN Z J， et al. Near-Optimal beam selection for beamspace mmWave massive MIMO systems[J]. IEEE Communications Letters， 2016， 20（5）： 1054-1057.

[29]ILANGO P， SUDHA V. Energy efficient transmit antenna selection scheme for correlation relied beamspace mmWave MIMO system[J]. AEU-International Journal of Electronics and Communications， 2021， 137： 153783.1-153783.7.

[30]SHEIKH T A， BORA J， HUSSAIN M A. Sum-rate improvement in massive MIMO system with user grouping and selection， and antenna scheduling scheme[J]. Wireless Personal Communications， 2021， 120： 1043-1056.

[31]GAO H Y， SU Y M， ZHANG S B， et al. Joint antenna selection and power allocation for secure co-time co-frequency full-duplex massive MIMO systems[J]. IEEE Transactions on Vehicular Technology， 2021， 70（1）： 655-665.

[32]KHALID S， ABBAS W B， KHALID F. Deep learning based joint precoder design and antenna selection for partially connected hybrid massive MIMO systems[DB/OL]. （2021-02-02）[2021-11-24]. https：//arxiv.org/abs/2102.01495.

[33]LIN B， GAO F F， ZHANG S， et al. Deep learning-based antenna selection and CSI extrapolation in massive MIMO systems[J]. IEEE Transactions on Wireless Communications， 2021， 20（11）： 7669-7681.

[34]黃源， 何怡剛， 吳裕庭， 等. 基于深度學(xué)習(xí)的壓縮感知FDD大規(guī)模MIMO系統(tǒng)稀疏信道估計算法[J]. 通信學(xué)報， 2021， 42（8）： 61-69.

[35]UMA M R， SUMANTH K C， VENKATA N K G. Design of training sequences for multi user： MIMO with accurate channel estimation considering channel reliability under perfect channel state information using cuckoo optimization[J]. Journal of Electrical Engineering & Technology， 2021， 16： 2743-2756.

[36]YI Z， ZOU W X， SUN X B. Prior information based channel estimation for millimeter-wave massive MIMO vehicular communications in 5G and beyond[J]. Frontiers of Information Technology & Electronic Engineering.2021，22（6）：777-789.

[37]RAUT S N， JALNEKAR R M. Taylor-based least square estimation in MIMO-OFDM systems for multimedia applications[J]. Wireless Personal Communications， 2021， 120： 609-631.

[38]HRYCAK T， DAS S， MATZ G， et al. Low complexity equalization for doubly selective channels modeled by a basis expansion[J]. IEEE Transact-ions on Signal Processing， 2010， 58（11）： 5706-5719.

[39]閉宇銘. 非平穩(wěn)無線信道建模及其仿真技術(shù)研究[D]. 北京： 北京郵電大學(xué)， 2017.

[40]HE R S， LI Q Y， AI B， et al. A kernel-power-density-based algorithm for channel multipath components clustering[J]. IEEE Transactions on Wireless Communications， 2017， 16（11）： 7138-7151.

[41]MA X C， ZHANG J H， ZHANG Y X， et al. A PCA-based modeling method for wireless MIMO channel[C]// IEEE Conference on Computer Communications Workshops. Piscataway： IEEE， 2017： 874-879.

[42]POPOOLA S I， JEFIA A， ATAYERO A A， et al. Determination of neural network parameters for path loss prediction in very high frequency wireless channel[J]. IEEE Access， 2019， 7： 150462-150483.

[43]楊彬祺. 5G毫米波大規(guī)模MIMO收發(fā)系統(tǒng)及其關(guān)鍵技術(shù)研究[D]. 南京： 東南大學(xué)， 2019.

[44]JIAN R L， CHEN Y Y， LIU Z， et al. Energy-efficiency optimization for multi-user multi-stream massive MIMO hybrid precoding[J]. International Journal of Wireless Information Networks， 2021， 28： 319-331.

[45]WANG S G， HE M Y， ZHANG Y J， et al. Equivalent channel-based joint hybrid precoding/combining for large-scale MIMO systems[J]. Physical Communication， 2021， 47： 101287.1-101287.6.

[46]LIU G， DENG H G， YANG K， et al. A new design of codebook for hybrid precoding in millimeter-wave massive MIMO systems[J]. Symmetry， 2021， 13（5）： 743.1-743.13.

[47]KIBAROGLU K， SAYGINER M， REBEIZ G M. A quad-core 28-32 GHz transmit/receive 5G phased-array IC with flip-chip packaging in SiGe BiCMOS[C]// IEEE MTT-S International Microwave Symposium. Piscataway： IEEE， 2017：1892-1894.

[48]錢堃， 張新宇， 楊錚， 等. 基于離開角的商用毫米波設(shè)備定位方法研究[J]. 中國科學(xué)： 信息科學(xué)， 2021， 51（1）： 122-138.

[49]蒯樂， 周后型， 陳繼新， 等. 5G毫米波大規(guī)模MIMO陣列失效特性分析[J]. 中國科學(xué)： 信息科學(xué)， 2021， 51（7）： 1156-1167.

[50]ADHIKARY A， NAM J， AHN J Y， et al. Joint spatial division and multiplexing： the large-scale array rregime[J]. IEEE Transactions on Information Theory， 2013， 59（10）： 6441-6463.

[51]CHEN J T， LAU V K N. Two-tier precoding for FDD multi-cell massive MIMO time-varying interference networks[J]. IEEE Journal on Selected Areas in Communications， 2014， 32（6）： 1230-1238.

[52]王毅. 面向B4G/5G的大規(guī)模MIMO無線通信系統(tǒng)關(guān)鍵技術(shù)研究[D]. 南京： 東南大學(xué)， 2016.

[53]YIN H F， GESBERT D， FILIPPOU M， et al. A coordinated approach to channel estimation in large-scale multiple-antenna systems[J]. IEEE Journal on Selected Areas in Communications， 2013， 31（2）： 264-273.

[54]MLLER R R， COTTATELLUCCI L， VEHKAPER M. Blind pilot decontamination[J]. IEEE Journal of Selected Topics in Signal Processing， 2014， 8（5）： 773-786.

[55]GUO Z J， XIONG R J， DENG H G. Fixed power allocation algorithm based on time-shift pilot in massive MIMO System[J]. Journal of Physics： Conference Series， 2020，1631： 012078.1-012078.6.

[56]智慧， 王飛躍， 黃子菊. 大規(guī)模MIMO系統(tǒng)中聯(lián)合用戶分組和聯(lián)盟博弈的動態(tài)導(dǎo)頻分配方案[J]. 電子與信息學(xué)報， 2020， 42（7）： 1686-1693.

[57]SURAWEERA H A， NGO H Q， DUONG T Q， et al. Multi-pair amplify-and-forward relaying with very large antenna arrays[C]// IEEE International Conference on Communications. Piscataway： IEEE， 2013：4635-4640.

[58]CHEN X M， LEI L， ZHANG H Z， et al. On the secrecy outage capacity of physical layer security in large-scale MIMO relaying systems with imperfect CSI[C]// IEEE International Conference on Communications. Piscataway： IEEE， 2014：2052-2057.

[59]WAQAR O， ALI M A， LIAQAT M， et al. On the ergodic capacities of decode-and-forward MIMO relay network with simultaneous wireless information and power transfer[J]. Transactions on Emerging Telecommunications Technologies， 2021， 32： e4126.1-e4126.25.

[60]NGUYEN B C， TRI P V， TRAN X N， et al. SER performance of MIMO full-duplex relay system with channel estimation errors and transceivers hardware impairments[J]. AEU-International Journal of Electronics and Communications， 2021， 136： 153751.1-153751.10.

[61]CHU M J， QIU R H， JIANG X Q. Spectrum-energy efficiency tradeoff in decode-and-forward two-way multi-relay networks[J]. IEEE Access， 2021， 9： 16825-16836.

[62]丁青鋒， 劉夢霞. 基于混合精度ADC的大規(guī)模MIMO中繼系統(tǒng)物理層安全性能研究[J]. 電子學(xué)報， 2021， 49（6）： 1142-1150.

[63]SONG K， NIE M Y， JIANG J， et al. On the secrecy for relay-aided SWIPT internet of things system with cooperative eavesdroppers[J]. IEEE Access， 2021， 9： 28204-28212.

[64]YOU X H， WANG D M， SHENG B， et al. Cooperative distributed antenna systems for mobile communications[J]. IEEE wireless communications， 2010， 17（3）： 35-43.

[65]TAO X F， XU X D， CUI Q M. An overview of cooperative communications[J]. IEEE Communications Magazine， 2012， 50（6）： 65-71.

[66]SEKI Y， SAITO T， ADACHI F. Dynamic UE clustering for distributed MIMO cooperative transmission[J]. IEICE Communications Express， 2019， 8（5）： 160-165.

[67]SIRKECI-MERGEN B. Combine-and-forward： a linear cooperative multi-level communication strategy for distributed MIMO relays [J]. Physical Communication， 2020， 38： 100922.1-100922.11.

（責(zé)任編輯：周曉南）

Overview of Key Technologies of Massive MIMO-OFDM

TANG Jian BAI Guangfu XU Liang TANG Yanling

（College of Physics， Guizhou University， Guiyang 550025， China）Abstract： With the gradual commercialization of 5G and the popularization of intelligent terminals， mobile communication is beginning to merge with Internet of things and getting faster and faster. As a core technology of 5G， massive MIMO increases the number of antennas. The spectrum efficiency and energy efficiency have been greatly improved without more spectrum resources. For it still has many challenges， this paper reviews the research trends of 5G， including its base station， transmission process， client， and architecture，summaries and prospects the problems of Massive MIMO-OFDM system.

Key words： massive multiple-input multiple-output; complexity; channel model; millimeter wave; pilot pollution; distributed antenna system