Chú ý phần nhận xét có thể xem phần 4.2.

3 của sách massive mimo netwwork

MMSE Channel Estimation

Bây giờ chúng ta sẽ lấy ra một công cụ ước tính của phản hồi kênh hli j, dựa trên tín hiệu phi công
nhận được Yjp trong (3.1) và một cuốn sách thí điểm với các chuỗi trực giao lẫn nhau. Kênh là sự
hiện thực hóa một biến ngẫu nhiên, do đó, các công cụ ước tính Bayes là mong muốn vì chúng có
tính đến các phân phối thống kê của các biến đó; xem Phụ lục B.4 trên trang. 567 cho một giới thiệu
về lý thuyết ước tính. Công cụ ước tính Bayes yêu cầu phân phối được biết đến. Nhớ lại từ (2.1)
rằng hli j NC (0Mj, Rli j). Công cụ ước tính sai số trung bình bình phương (MMSE) tối thiểu của
hli j là vectơ hˆjli giảm thiểu MSE E {khli j - hˆli j k2}. Nó được cung cấp trong định lý sau.
3.4.1 Đề án ước tính kênh thay thế

Nếu BS j không thể quản lý độ phức tạp tính toán của ước tính kênh MMSE, có các sơ đồ ước tính thay
thế. Một công cụ ước tính tuyến tính tùy ý của hj li, dựa trên yjli p trong (3.2), có thể được viết là Aj liyp
jli, đối với một số ma trận xác định Aj li CMj × Mj chỉ định sơ đồ ước tính. MSE E {khli j - Aj liyp jlik2}
tương ứng có thể được tính toán như

với Ψj li được cho bởi (3.10). Công cụ ước tính MMSE thu được cho Aj li = pliRli j j li, nhưng chúng ta có
thể chọn một Aj li để ước tính dễ dàng hơn để tính toán. Ma trận đường chéo đặc biệt hữu ích để giảm
độ phức tạp tính toán vì mỗi phần tử của yp jli sau đó có thể được nhân với chỉ một vô hướng thay vì vô
hướng Mj khác không từ Aj li. Đối với bất kỳ Aj li xác định nào, ước tính Aj liyp jli và lỗi ước tính h˜j li = hli
j −Aj liyjli p đều được phân phối theo Gaussian, nhưng chúng thường là các biến ngẫu nhiên tương quan
có một sự khác biệt quan trọng từ công cụ ước tính MMSE. Đặc biệt, chúng tôi có điều đó

Bây giờ chúng tôi sẽ cung cấp hai ví dụ để chọn ma trận Aj

Element-wise MMSE Channel Estimator

Dựa trên cuộc thảo luận trong Mục 3.3.3, một phương án rõ ràng là ước tính từng yếu tố của hj
li và từ đó bỏ qua mối tương quan giữa các yếu tố. Chính xác hơn, chúng ta có thể xem xét tín hiệu nhận
được xử lý trong (3.2) và chỉ xem xét một trong các phần tử Mj tại một thời điểm. Hệ quả sau đây cung
cấp công cụ ước tính MMSE (EW-MMSE) theo yếu tố kết quả

Chứng minh giống hệt với Định lý 3.1, ngoại trừ việc chúng ta chỉ xem xét một trong các phần tử trong
hˆli j và phần tử tương ứng trong yjli p để thực hiện ước lượng.
Công cụ ước tính EW-MMSE tương ứng với việc để Aj li là đường chéo với

Độ phức tạp tính toán trên mỗi UE tỷ lệ thuận với Mj, cả khi tính toán trước biểu thức phân số trong
(3.31) (ở thang thời gian chậm mà độ mờ của quy mô lớn thay đổi) và khi nhân nó với tín hiệu phi công
nhận được xử lý một lần trên mỗi khối kết hợp.

Điều này thấp hơn đáng kể so với độ phức tạp của công cụ ước tính MMSE ban đầu, ngoại trừ trong
trường hợp đặc biệt khi tất cả các ma trận tương quan không gian là đường chéo để người ta có thể ước
tính từng yếu tố kênh riêng biệt mà không làm giảm hiệu suất. Lưu ý rằng việc tiết kiệm phức tạp chính
xuất phát từ thực tế là Aj li là đường chéo

MSE đạt được bằng công cụ ước tính EW-MMSE có được bằng cách tổng hợp các phương sai lỗi ước
tính từ (3.32), có thể được biểu thị bằng

Mặc dù mỗi phần tử được ước tính bằng nguyên tắc MMSE, vectơ có ước tính và vectơ có lỗi ước tính
có tương quan khi sử dụng công cụ ước tính EW-MMSE như sau bằng cách chèn (3.33) vào (3.30).
------------------------------------------------------------------------------------------------------------------------------------------

nếu bs không có kiến thức đầy đủ về ma trận hiệp phương sai, một phương pháp khác để ước tính kênh
là ước tính từng mục nhập của hk một cách riêng biệt, bỏ qua mối tương quan giữa các yếu tố. điều này
dẫn đến công cụ ước tính MMSE (EW-MMSE) thông minh (gọi công cụ ước tính chéo trong 30) chỉ sử
dụng các đường chéo chính của R1 và R2. Các đường chéo có thể được ước tính một cách hiệu quả bằng
cách sử dụng số lượng mẫu nhỏ, không cần phải phát triển với M

Least-square Channel Estimator

Công cụ ước tính EW-MMSE không sử dụng ma trận tương quan không gian đầy đủ, mà chỉ sử dụng các
yếu tố trên các đường chéo chính (có thể được ước tính như mô tả trong (3.26)).

Trong trường hợp những thống kê một phần này là không xác định hoặc không đáng tin cậy

(ví dụ: do thay đổi nhanh chóng trong lập lịch UE trong các ô khác), có thể cần phải xem xét các công cụ
ước tính không yêu cầu thông tin thống kê trước.

Công cụ ước tính bình phương nhỏ nhất (LS) đã được sử dụng cho mục đích này kể từ khi bắt đầu SDMA