5G毫米波信道估计研究综述*

罗 皓，于秀兰，张祖凡，甘臣权

(重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引 言

至今为止，蜂窝通信一直受6 GHz频段限制。虽然微波频段具备较好的传输特性，并在现阶段取得了显著的传输效果，但1～2 GHz的频带带宽不足以支持下一代移动通信技术。由香农定理可知，增加传输带宽可以增大信道容量，开发新频段无疑是最有效的办法之一。30～300 GHz的毫米波(Millimeter Wave,mmWave)提供远超微波的传输频段，拥有足以支撑起下一代移动通信的带宽，能提供更高的传输速率和更大的吞吐量。如今，5G毫米波技术逐渐成熟，但仍存在技术问题待解决和优化。由于毫米波极易受环境影响且存在严重的路径损耗，技术上采用大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)波束成形技术，对传输信号进行预编码，弥补功率损耗。传统预编码技术包括全数字基带预编码和全模拟预编码调制技术。其中，全数字预编码要求拥有与天线数目相同的无线射频(Radio Frequency,RF)链，在大规模MIMO毫米波系统中会产生难以承受的硬件成本；模拟采用相位控制，虽然成本低但效果远低于前者，不适用于毫米波。研究表明，混合预编码(模拟-数字混合波束成形器)可以较好地结合前两者优点[1-2]，以更少的RF获得与全数字预编码器相似的性能。在混合预编码器中，拥有准确的信道状态信息(Channel State Information,CSI)和波达角非常重要。CSI是连接收发两端的重要桥梁，只有精确CSI条件下，才能够利用大规模MIMO多天线优势提供更多自由度，从而提升信道容量[3]。

CSI估计通常分为盲估计、基于导频估计和半盲估计三类。盲估计利用收发信号的二阶统计特性进行信道估计，在实际中往往存在过高的复杂度；基于导频的估计方法通过发送正交导频估计CSI，复杂度较低且实时性强；半盲估计是前两者折中，结合信号二阶统计特性和传输导频精确估计CSI。然而在大规模MIMO毫米波通信中，随着大规模MIMO天线维度增加，获取精确统计信息的难度使盲估计方法受到质疑。因此，需要进一步研究不依赖信道统计信息的估计算法。基于导频信道的估计算法需要发射端发射训练导频，然而需要导频数目与天线数成正比，并且复用的导频序列会导致导频污染。另一方面，传统的CSI估计算法，例如，最小二乘法(Least Squares,LS)和最小均方误差(Minimum Mean Square Error,MMSE)算法不符合大规模MIMO系统，因此非常有必要研究新型的CSI估计算法。总之，毫米波与大规模MIMO技术互补带来的巨大优势成为下一代移动通信研究热点，信道估计是技术成熟面临的重大挑战，具有十分重要的学术研究价值。

1 信道估计研究现状

1.1 基于压缩感知的信道估计

2006年，Donoho等人[4]提出压缩感知(Compressive Sensing,CS)概念框架，并用数学模型为理论提供支撑。压缩感知理论突破了奈奎斯特采样定理对信号维度的限制，避免稀疏信号在奈奎斯特采样时会产生的大量冗余信息，并缓解硬件设备和算法负担。

压缩感知理论主要包括稀疏变换、稀疏测量和重构算法。首先根据原始信号选择合适的稀疏域，即在该稀疏基下信号表现为稀疏，经过测量矩阵转化为稀疏信号后，得到非零变换系数较少的矩阵。测量矩阵需要满足非相干性和限制等容性，对信号压缩的同时保留原始信号携带的关键信息，为精确重构信号提供基础。因此，如何选择稀疏域和测量矩阵是毫米波信道估计的关键。根据压缩感知理论，在衍生虚拟信道模型近似实际信道[5]条件下，以导频接收作为测量值，将信道估计等价为稀疏信号恢复问题。然而，利用导频测量信号重构信号信道是一个无法直接求解的欠定和非凸问题，存在计算困难和稳定性差等挑战。通常解决非凸问题是将其转化为凸问题，近似得到计算值。基追踪(Basic Pursuit,BP)算法是凸优化中最具有代表性的，通过线性规划的思想，逼近真实值且性能稳定，但复杂度太高，极难运用在采样点多的场景下。为解决精准重构和BP算法复杂度高等问题，基于迭代和最小二乘估计的贪婪算法被提出，包括匹配追踪(Matching Pursuit,MP)算法和正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法等。另外，依靠稀疏信号先验分布的贝叶斯重构算法也得到大量研究，对重构不确定信号模型的信道矩阵十分有效[6]。

如今，基于CS的毫米波信道估计已得到大量研究和发展，接下来从解决硬件和环境影响、折中精度和复杂度两个方面介绍目前研究现状。

(1)解决传输环境影响

实际中，大规模MIMO毫米波无线传输系统往往受环境和硬件缺陷影响，会出现相位偏差、功率丢失、硬件损耗等引起的失真问题，需要面向实际情况解决研究信道估计。对于mmWave大规模MIMO频带选择性衰落信道，Gao等人[7]研究出一种基于分布式压缩(Distributed Compressive Sensing,DCS)的信道估计方案，通过分布式网络匹配追踪和自适应测量，得到较好的信道估计结果并成功解决角度功率泄露的问题。作者采用内外循环迭代的方式，首先在外循环中估计有效路径的导向矢量和增益，在内循环中采用网格匹追踪配策略，并提出构造自适应完备测量矩阵解决泄露问题。同样，为解决到达角/发射角(Angle of Arrival/Angle of Departure,AOA/AOD)造成的功率泄露问题，文献[8]基于全维透镜阵列的mmWave定制全维透镜专用冗余字典，这是全维透镜阵列冗余字典设计的首次尝试。另外，文中考虑到传统CS算法不适用于少量或有限RF链的天线切换网络，设计出基于测量矩阵互相干性最小准则的专用基带导频序列。最后采用传统的OMP算法恢复稀疏信号，得到优于双交叉检查算法[9]和LS算法的估计性能。考虑到传输过程中硬件缺陷会导致信号失真，文献[10]在正交频分多路复用技术(Orthogonal Frequency Division Multiplexing,OFDM)大规模MIMO毫米波系统中提出硬件损耗下信道估计算法。文中基于DCS，利用不同子载波频域稀疏性改良现有估计方法，并提出用于压缩后的稀疏信道进行恢复的变分贝叶斯算法，降低导频开销的同时极大提高了信道估计的精度。该算法采用身份拒绝策略设计分层信道模型，去除由于硬件缺陷带来的随机离群值，提高了鲁棒性。为解决角域中离散角点产生的离网效应，文献[11]通过参数摄动和OMP，提出了一种用于精确估计离网参数和权重的算法。算法在连续的AOA/AOD空间运行，避免了网格损失，能够有效的减小重构误差。从毫米波硬件带来导频信号相位畸变问题出发，文献[12]利用毫米波部分相干性，即来自不同链路同一时间帧具有相同相干性，提出一种新的网格局部相干压缩感知恢复算法(Partially Coherent Compressive Phase Retrieval,PC-CPR)和离网型PC-CPR。算法先用部分相干性初始估计，再通过迭代求精，将估计的每帧共享相位偏移代替以往研究中所有导频的相位，在导频受相位影响情况下得到了较好的估计结果，拥有较强鲁棒性。文章研究表明，当RF数量足够大时，部分相干性趋近于全相干性，但在RF小的特殊情况下会受到影响。

(2)提高精度和优化复杂度

CSI是否完整和精确直接影响无线传输系统性能，获得精确估计值一直是CSI估计的重要目标。例如，文献[13]通过改进稀疏度自适应匹配追踪(Sparsity Adaptive Matching Pursuit,SAMP)算法，在OFDM单用户场景下，将信噪比大小考虑到稀疏信道支撑集中，通过优化SAMP迭代步长提高稀疏信道估计的精确度。在文献[14]中，作者提出基于多测量矢量模型的稀疏贝叶斯学习信道估计算法，采用不需要信道稀疏度的贝叶斯学习算法，避免了不合适稀疏度带来的性能不稳定。文章首先在SV模型的基础上构建多测量矢量模型，然后基于贝叶斯推导出信道元素的后验概率分布，最后使用最大期望算法(Expectation-maximization algorithm,EM)计算后验概率中的超参数，得到明显精度优势的估计结果。为进一步提高信道估计的准确性，文献[15]推出透镜天线阵列信道响应和多路径稀疏性特性的联合公式，用EM算法计算公式参数和信道信息。该策略得到了较高的恢复精度，但引入了其他信道参数，增加了系统复杂度，在简化参数估计后，复杂度仍然需要优化。在文献[16]中，作者提出一种基于贝叶斯匹配追踪(Bayesian Matching Pursuit,BMP)的稀疏信道估计算法。算法首先设置稀疏模式，将稀疏信道非零元素假设为特殊的高斯分布，得到统计假设后选取最高后后验概率的稀疏模式估计信道，估计结果优于基于OMP和稀疏贝叶斯的压缩感知算法。复杂度是大规模MIMO信道估计的主要问题，高复杂度无疑会使硬件负载过大，处理所耗费的时间更多，影响无线传输性能。基于CS的毫米波信道估计虽然利用了信道的稀疏性，但仍需进一步降低复杂。研究表明，大规模MIMO毫米波信道不仅在频域有稀疏性，在时域方面也表现稀疏。文献[17]联合时域和角域稀疏性设计了特殊的训练模式捕获信道抽头，采用能量检测器识别有效信道抽头，再利用有效抽头的角稀疏估计信道，有效降低了估计计算复杂度。该文就低估稀疏性问题提出了一种优于专家经验的选择策略，充分利用稀疏性降低估计复杂度。此外，文献[18-19]分别基于贝叶斯CS和动态阈值解决毫米波MIMO信道估计问题，得到了优于传统算法的性能结果。

大规模毫米波信道稀疏性为基于CS的信道估计算法提供可靠条件，是未来毫米波信道估计最重要研究内容之一。

1.2 基于信道参数的信道估计

历史研究结果表明，估计变量的减少会降低误差[20]。物理模型下，每个信道路径信息可由角度和增益组成，将CSI估计转化为波达角(Direction of Arrival,DOA)、复增益等矢量估计是一种更为直接高效的方法。信道参数估计可以避免直接处理大规模MIMO信道矩阵，能有效提高信道估计性能。

信道参数估计中，DOA估计至关重要。传统的DOA估计方法主要包括多重信号分类(Multiple Signal Classification,MUSIC)和旋转不变子空间(Estimation of Signal Parameters via Rotation Invariant Technique，ESPRIT)算法。MUSIC算法将信号阵列的协方差矩阵进行特征分解，分解空间划分为信号子空间和噪声子空间，再利用两个空间正交性估计接收信号方向参数。但MUSIC算法运用场景苛刻，需要同时满足以下条件：阵列为线性阵列，且阵列间距离不超过最小波长的1/2；信道传输噪声为零均值加性高斯白噪声；入射信号必须是互不相干信号，信源数目小于阵列数目。ESPRIT是利用接收数据协方差矩阵分解信号子空间的旋转不变性，通常运用在雷达角度估计中。由于大规模MIMO毫米波混合预编码结构与传统MIMO和雷达结构完全不同，前两种算法不能直接运用，需要针对大规模MIMO毫米波传播系统对算法扩展。文献[21-22]分别设计了导频传输方案，并提出基于ESPRIT和DOA的信道估计算法。考虑毫米波信道角域稀疏性，文献[23]在二维离散变换后，利用离散傅里叶变换后识别的信道峰值初步估计DOA(仰角和方位角)，再利用旋转不变法，通过设定不同搜索导向范围，精确DOA范围值，最后采用LS方法细化估计信道增益，计算出信道矩阵。

信道参数也可以通过迭代方法估计得到。信道测量方面，通常基于射线追踪模型得到大量实际接收值，从而估计信道参数和CSI。例如，文献[24-25]基于最大似然的空间交替广义期望最大化(Space-Alternating Generalized EM,SAGE)算法在多频段下估计视线(Line of Sight,LOS)和非视线(Non-Line of Sight,NLOS)室内场景的信道参数，包括多路径损耗的延迟、角参数、增幅等。作者通过信道参数估计得到CSI，提出符合测量结果的信道模型。其中，SAGE是EM的扩展，将每条路径看作相互独立的传输信道，通过对参数子集分割迭代搜索最大化似然函数的参数。在随机信道模型基础下，通常采用SV模型，将CSI简化后转化为信道参数，通过采用迭代等估计信道参数。文献[26]提出一种基于迭代指标检测的IDCEA(Index Detection Based Channel Estimation)信道估计算法，从角域出发估计出分离不同强度的信道分量，再依次迭代估计DOA，并采用LS估计每个路径信号的信道增益。作者将估计得到的DOA和增益运用到混合预编码，取得了有效的结果。另外，文献[27-28]提出两阶段精确信道估计方案，将CS与信道参数估计结合得到精确的CSI。基于CS理论初步重构CSI后，采用最大化似然函数迭代更新信道参数(包括AOA、AOD和多径振幅)，精确已有的信道估计，算法明显提高了估计精度。在快速变化的车载蜂窝系统中，文献[29]基于毫米波混合预编码和SV模型提出一种离散傅里叶的噪声消除信道估计算法。算法首先采用迭代消除初步估计路径的信道参数，通过能量分析，设置决策阈值提高信道参数估计精度，最后通过参数重构信道矩阵。在多路径和时变信道中，该算法能够降低噪声影响，具有较好的信道估计性能。但为了保证算法的有效性，判断有效路径采用的阈值设定过大，会引起不必要的复杂计算。为降低信道参数估计的巨大开销，文献[30-31]分别提出了基于二阶子空间和基于低秩张量的信道参数估计算法。二阶子空间算法采用两阶段顺序估计列序列和行序列，第一阶段通过采样信道矩阵部分列得到信道列子空间，第二阶段利用上一阶段的列子空间训练估计行子空间，减少了信道矩阵的调用次数。文献[31]中，作者将OFDM信号训练拟合为带有信道参数的三阶张量，为避免参数初始化和繁琐的迭代过程，提出了基于结构化分解的张量建模和信道参数恢复算法。仿真结果表明，两种算法在有效估计信道参数的同时极大地降低了估计复杂度。

信道参数是CSI具体表现，以往研究表明信道参数估计是为了得到或进一步精确CSI。

1.3 深度学习信道估计

传统方法中，无论是压缩感知还是参数估计在获得精确CSI过程中都避免不了高维矩阵分解和迭代计算，很难在性能与复杂度间折中。自Hinton[32]指出多隐层神经网络具有强大的特征学习以来，深度学习逐渐成为学术界关注点。深度学习通过大量样本训练，能够有效提取数据隐藏特征。随着人工智能的发展，深度学习在通信领域已经得到广泛研究，在调制识别、信号检测、信道估计、CSI反馈等关键问题中也得到运用。深度学习有多种结构，常用在信道估计中有深度神经网络(Deep Neural Network,DNN)、卷积神经网络(CNN Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)。近年来，研究员尝试运用DNN和CNN解决毫米波信道估计问题，并取得了部分成果。

(1)信道矩阵的二维图像处理

在图像处理领域中，深度学习已经得到广泛运用，而大规模MIMO毫米波信道矩阵在波束空间中是二维的，可看作2D图像进行处理。Soltani等人[33]将导频信道时频网格的实部和虚部分别看作两个2D图像矩阵，利用图像处理技术和深度学习方法，基于超分辨率(Super-Resolution,SR)和图像修复(Image Restoration,IR)算法提出SRCNN与IRCNN融合卷积神经网络的信道估计算法，结构如图1所示。利用插值法得到低分辨率初始信道矩阵，通过SRCNN神经网络提高矩阵分辨率，最后将IRCNN网络作用于去噪，提高信道矩阵精度。低信噪比和高信噪比神经网络框架分别在12 dB和22 dB条件下训练得到，两个模型分别在低和高信噪比区域性能优于MMSE估计。但提出的深度学习框架受限于矩阵恢复最优权值输出受信噪比影响和信道环境变化，需要重新训练框架适应新模型和不同信噪比。

图1 SRCNN-IRCNN信道估计模型[33]

文献[34-35]在融合图像去噪技术基础上，提出新的大规模MIMO毫米波CSI估计算法。文献[34]提出一种快速灵活的卷积神经网络，如图2所示。文中将信道矩阵看作2D图像，并将矩阵分块成4个子矩阵，用残差去噪方式先估计噪声值再得到CSI。网络通过输入不同水平噪声体现对不同噪声处理的灵活性，但是不同噪声会使神经网络重新进行一次训练。后续作者对算法进行改良，利用CBDNet网络挖掘信道稀疏性和恢复信道，提出用混合神经网络、连续非线性输出和损失函数扩大信噪比范围并加速收敛[35]。

图2 快速卷积神经网络信道估计模型[34]

在基于透镜天线阵列的大规模MIMO毫米波传输模型下，文献[36]针对传统LDAMP算法进行改进，将线下训练好用于去噪的DnCNN模型镶嵌在LDAMP架构中，每次迭代的信道矩阵都经过一次去噪，从而更精确恢复信道矩阵。其中DnCNN模型结构类似于图2，通过估计出信道中的噪声矩阵得到去噪信道矩阵。

(2)信道参数估计

文献[37]基于射线追踪模型，将DNN作为黑盒子代替整个大规模MIMO传输系统并估计DOA，避免大规模天线中繁琐复杂的特征分解。针对不同的信道模型得到接收信号，并以接收信号与随机产生的DOA作为训练集样本，神经网络训练后输入接收信号输出DOA估计值，再用DNN框架提取信号有用特征，由相同神经网络模型估计复增益量，最后由复增益和角度得到信号估计值。然而文中将大规模MIMO系统完全看作一个黑盒子，在编码、解码和噪声部分用深度学习框架代替，信号在信源到信宿传播信道过程没有得到具体实现。同样，文献[38]讨论将信道估计转为矢量估计，即DOA估计和复增益估计，可以获得更好的性能，并将信道和由信道产生的接收信号作为训练样本，线下训练DNN得到DOA和增益估计值，复用相同深度神经网络框架在低复杂度下得到了优于传统算法的性能。

(3)其他估计策略

为避免采用传统方法附带的高额计算复杂度，文献[39]基于半盲估计提出两阶段神经网络训练信道估计法。首先设计DNN利用导频信息初步估计CSI，将导频信道矩阵作为信道估计第一次迭代值，辅助接收数据进行信道估计，从而提高精确度。将信道估计分成两个训练模块，利用神经网络避免天线数对导频长度的约束，这种方法可以提高最低信道传输容量和提升传输效率。CSI准确性一直是估计的重要目标，进一步提高CSI精确度非常有必要。城市微街道非视线场景下，Dong等人[40]基于导频训练，考虑两个子载波联合信道估计，利用空间和频率相关性进行精确信道估计。如图3所示，由于相邻子载波间频率相关性提供额外信息，初步估计CSI后，将一组相邻子载波的初始信道矩阵输入到CNN，用神经网络深层特征提取优势精确估计CSI。CNN方案明显优于非理性MMSE估计，近似理想MMSE，且在系统假设下复杂度远低于理想MMSE。同样是利用空间和频率相关性，文献[41]提出空间-频率卷积神经网络(Spatial-Frequency CNN,SF-CNN)算法估计信道，与前者类似，对相邻子载波初始信道矩阵进行卷积。其后，作者提出空间-频率-时间CNN(Spatial-Frequency-Temporal CNN,SFT-CNN)，将时间相关性融合到SF-CNN中，以减轻导频开销。具体地，在时变SV模型条件下，每4个连续相干区间认为一个单元，第一个单元添加导频信号，相干区间通过相关性估计后续无导频信道。算法减少能导频开销，有效避免导频污染。

图3 频率相关CNN联合信道估计模型[40]

(4)基于深度学习的毫米波信道估计总结

深度学习在毫米波信道估计中仅处于初步探索阶段，表1对基于深度学习的毫米波信道估计技术进行了总结。

表1 基于深度学习的毫米波信道估计总结

1.4 毫米波信道估计总结

根据1.1～1.3节对相关文献研究的分析，表2总结了基于压缩感知的信道估计、基于参数估计的信道估计和基于深度学习的信道估计策略的优缺点。

表2 毫米波信道估计方法总结

2 发展趋势和展望

在毫米波通信系统中，随着天线部署数量不断增加，获得精确信道状态响应信息也变得更加复杂和困难，传统信道估计算法已不再适用，如何低复杂度地精确估计CSI是毫米波通信的研究热点和难点。

毫米波信道特有的稀疏性为信道估计带来了新希望，基于CS的稀疏信道估计成为毫米波信道估计研究热点。但基于CS的毫米波信道估计仍处于理论研究阶段，存在不少问题，包括对信道稀疏度判断问题。目前信道稀疏度通常采用经验假设，由于害怕稀疏度估计过低而导致信息丢失，往往会假设充裕的稀疏度。虽然这种方式可以降低估计风险，但增加了估计复杂度，如何准确估计信道的稀疏度是CS估计算法中需要解决的问题之一。另外，大量信道估计研究基于角度稀疏，而忽略了时域稀疏性。文献[17]初步尝试将角域和时域的稀疏性结合，通过时域抽头检测有用信号，能够在有效恢复CSI的同时下降低估计复杂度。但文中基于信噪比大于一的二元假设检验识别有效信号，适用于能量较大的通信场景，容易忽略由于严重噪声或多径效应产生的弱信号，从而导致信息丢失。因此，在雷达、非视距或距离相对较远的传播条件下，有效识别弱信号抽头是值得考虑的。采用CS算法是为了充分利用毫米波信道稀疏性降低大规模天线引起的高复杂度，但在稀疏信号重构算法中都涉及到了大量内积和矩阵求逆等运算，如何降低复杂度依然是未来研究的关键问题。由于传播环境存在聚类现象，毫米波MIMO信道可以近似为低秩信道，例如，文献[42]尝试利用非信道稀疏结构能获得更好的性能。不同于稀疏性，低秩结构可用训练块将真实信道矩阵变换为低秩矩阵，通过重构低秩矩阵得到估计结果，也是未来发展趋势之一。

基于深度学习的毫米波信道估计是一种新颖的估计算法，能够有效避免传统算法必需的统计信息、高维矩阵求逆和特征分解计算等，是未来信道估计研究热点之一。深度学习通常利用大量输入和标签对网络框架进行训练，得到合适的网络模型。毫米波信道估计中，深度学习仅仅处于理论研究和起步阶段。根据总结和分析，基于深度学习的毫米波信道估计可围绕以下几个方面进行研究：

(1)环境变化引起网络模型不适用。深度学习网络训练中，输入和标签往往通过特定的信道模型得到，且大多考虑单一信号传输模式。在不同信道环境条件下，获得精确估计结果的网络模型需要重新训练，每次训练所花费的高额时间成本不满足低时延通信要求。适应多变环境和多信号的网络模式是值得考虑的。

(2)输入维度受天线数量变化影响。神经网络输入主要包括接收信号、导频信号和预估计的信道矩阵等。这些输入值随着天线数量增大维度会增加，在未来部署大量天线的系统中，应当考虑不受天线维度影响的信道估计算法。

(3)利用现有的先进网络模型和通信传统算法提高估计精确度。目前，大部分信道估计模型基于DNN，但在深度学习领域已经出现了许多优秀模型，例如，双向长短期记忆网络(Long Short-Term Memory,LSTM)和CNN的深度残差网络模型等。可考虑时域和频域下载波的相关性，利用双向RNN更好地提取前后关联特征估计信道。另外，先进行合理的预估计，再采用深度学习处理，也是未来可考虑的研究点。将通信传统算法与深度学习进行结合，即发挥神经网络去噪提和取特征等性能，提高信道估计精确度。

(4)信道参数估计和联合估计问题。以往研究考虑信道参数估计，将整个信号传输系统看作一个黑匣子设计神经网络框架，目前在实际中不适合，过于理论化。应避免直接估计多矢量CSI而单独估计特殊的信道参数，对信道建模、精确恢复信道和波束成形等操作带来便利。此外，未来研究可考虑信道估计与信号检测、信道估计和预编码联合处理。利用深度学习对整体模型的“学习”能力，将信号检测或波束成形系统与CSI估计结合，避免单独估计导致不必要的误差。

(5)深度学习在压缩感知领域也取得了显著成果，并且基于深度学习的信号重构能够有效避免传统算法的复杂计算。文献[43]表明噪声和衰落会影响深度学习重构效果。优化神经网络得到适合毫米波通信的重构模型是研究方向之一。

毫米波在无线通信传输中会产生更多路径损耗，受遮挡影响更严重，对大气环境更敏感，传统MIMO信道模型不能充分表征大规模MIMO毫米波空间稀疏和信号传输特性。现阶段大量研究基于Saleh-Valenzuela(SV)几何传输模型，并取得了一些成果。但SV模型对多径信道影响因素表征并不充分，即使在小尺度特性条件下，信号衰落参数仍包括增幅、时延、角度和多普勒特频移，因此，在更加实际模型中进行CSI估计是一个需要解决的问题。另外，大量工作建立在均匀直线天线阵的基础上，未来大规模MIMO毫米波天线部署方式有平面阵列、球形阵列和L阵列等，需要进一步考虑基于其他天线部署方式的算法。

3 结束语

近年来，毫米波通信作为未来无线通信的关键技术，引起了国内外广泛关注。其中，信道估计是无线通信系统的关键问题，也是毫米波通信技术中极具挑战的研究热点和难点。本文重点介绍了常用毫米波信道估计方法，对国内外毫米波信道估计现状进行了梳理，同时分析了毫米波信道估计面临的挑战和未来发展方向，可供相关领域研究人员参考。