题目：Network/Massive MIMO系统中的训练设计和信道估计问题研究

网络多入多出（Network Multi-input Multi-output，Network MIMO）技术和大规模多入多出（Massive MIMO）技术能有效抑制小区之间的干扰，提高系统的频谱利用效率。在实际应用中，为了充分发挥Network MIMO和Massive MIMO技术的潜在优势，基站需要获取完整的下行瞬时信道状态信息（Channel State Information，CSI）。本文围绕CSI获取这一主题分别对时分双工（Time Division Duplex，TDD）Network MIMO 中的信道估计问题，以用户为中心的Network MIMO中的训练资源分配问题，Massive MIMO中的导频污染问题进行了研究。

在TDD Network MIMO中，下行CSI是利用信道互易性性通过上行信道估计获得。对于采用正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）的Network MIMO系统，由于频带边缘空子载波的存在，传统的基于离散傅里叶变换（Discrete Fourier Transform，DFT）的信道估计算法将带来严重的信道估计误差，线性最小均方误差（Minimum Mean Square Error，MMSE）信道估计算法虽然能提供最优的估计性能，但复杂度较高且需要信道的统计信息。为了解决Network MIMO中的信道估计问题，本文提出了一种低复杂度的信道估计算法。本文利用级数展开将矩阵求逆用若干矩阵乘法近似，并利用导频信号的频域特征进一步将矩阵乘法通过DFT运算实现。为了减少所需的信道统计信息，用平均信道能量代替信道相关矩阵。仿真结果表明，所提出的估计算法性能接近MMSE算法的性能。

以用户为中心的Network MIMO为了能满足处于不同位置的用户的服务质量要求，将不可避免地导致相互重叠的协作簇（Cluster）。为了最小化信道估计误差，每个协作簇中的各个基站发送的下行训练序列或者选择同一个服务基站的各个用户发送的上行训练序列需要相互正交。本文以最小化训练开销为目标研究了以用户为中心的Network MIMO中的训练资源分配问题。通过将原问题建模为一个图论问题找了最优解。本文还提出了一种可用于实际大规模系统的低复杂度的分配算法。仿真结果表明，所提出的低复杂度算法与最优算法性能接近，且从系统净吞吐量的角度来看，以用户为中心的Network MIMO优于现有的固定分簇的协作系统。

导频污染是制约TDD Massive MIMO性能的瓶颈。本文利用信道的时域特征解决导频污染问题。考虑到宽带系统中的信道冲击响应（Channel Impulse Response，CIR）的时域稀疏性，期望信道和干扰信道的多径一般不会同时到达接收机，因此，在时域上大部分期望信道和干扰信道多径可分辨。本文利用CIR的时域可分辨性，先估计期望信道的功率延迟分布（Power Delay Profile，PDP），得到各条多径的时延，然后根据多径时延，从受到导频污染的CIR估计中提取相应的多径重构信道，抑制导频污染。为了准确获得PDP估计，本文提出了一种在多个连续的上行帧中将导频污染随机化的导频分配策略。仿真结果表明所提出的方法的性能优于现有的导频污染抑制方法的性能。