《IEEE Transactions on Signal Processing》：Nonlinear Sparse Bayesian Learning Methods with Application to Massive MIMO Channel Estimation with Hardware Impairments
编辑推荐：
本文针对大规模多输入多输出（MIMO）系统中因接收机硬件非线性、量化误差等损伤导致传统线性信道估计模型失效、精度下降的问题，研究人员提出了一种非线性信道估计框架。该框架利用高斯过程（GP）回归建模硬件损伤产生的畸变函数，并结合增强的稀疏贝叶斯学习（SBL）方法，实现了畸变感知的稀疏信道估计。提出的两种非线性SBL方法在强畸变和高信噪比（SNR）条件下，性能显著优于Bussgang线性最小均方误差（LMMSE）估计器和线性SBL，为实际大规模MIMO系统设计提供了新思路。
在迈向下一代无线通信（如6G）的进程中，大规模多输入多输出（Massive Multiple-Input Multiple-Output, Massive MIMO）技术被视为提升网络容量和频谱效率的“王牌”。想象一下，未来的基站装备着成百上千根天线，能够同时服务于众多用户，就像一位指挥家精准地协调一个庞大的交响乐团。然而，要发挥这支“乐团”的全部潜力，第一步——准确“听见”并理解每个用户传来的微弱信号（即信道估计）——就至关重要。传统上，工程师们设计算法时，常常假设接收信号的硬件（如放大器、模数转换器）是完美无缺的，信号的变化是线性的。但现实很骨感：为了控制成本和功耗，实际设备中的低噪声放大器存在非线性，模拟信号转数字信号时会产生量化误差。这些硬件损伤（Hardware Impairments）就像给清晰的乐音加上了难以预测的失真和噪音，使得基于理想线性模型的传统估计方法频频“失聪”，性能大打折扣。当信号本身很强（高信噪比）或硬件畸变更严重时，这种性能下降尤为明显。因此，如何在这些不完美的现实条件下，仍然实现高精度的信道估计，成为了大规模MIMO走向大规模商用的一个关键瓶颈。
为了攻克这一难题，一项发表于《IEEE Transactions on Signal Processing》的研究提出了一种创新的“非线性稀疏贝叶斯学习”框架。研究人员意识到，必须正面应对硬件的非线性畸变，同时利用大规模MIMO信道在角度或时延域天然具有的稀疏特性。他们的核心思路是分两步走：首先，用一个灵活的数学模型——高斯过程（Gaussian Process, GP）回归——来学习和逼近硬件损伤造成的未知畸变函数。为了应对GP在大规模计算时的负担，他们巧妙地引入了“伪输入”（Pseudo-inputs）技术来构建一个计算高效的畸变函数替代模型。然后，他们并未止步于此，而是将这个学到的非线性畸变模型，巧妙地整合进新近发展的、性能更强的稀疏贝叶斯学习（Sparse Bayesian Learning, SBL）方法中。这一整合催生了两种全新的非线性SBL估计算法，它们能够在估计稀疏信道的同时，“意识”到并补偿硬件畸变的影响，从而实现“畸变感知”的联合估计。
研究人员开展此项研究主要运用了以下关键技术方法：一是采用高斯过程（GP）回归对接收机硬件损伤引起的非线性畸变函数进行非参数化建模，并利用伪输入（Pseudo-inputs）近似技术以降低计算复杂度；二是将构建的GP畸变模型集成到稀疏贝叶斯学习（SBL）框架中，通过不同的优化目标（如证据最大化）推导出两种具体的估计算法；三是通过数值仿真，在包含非线性放大和量化误差的系统模型下，与经典的Bussgang线性最小均方误差（LMMSE）估计器及传统线性SBL方法进行性能对比验证。
研究结果
- •
非线性GP-SBL框架的构建：研究成功构建了一个统一的贝叶斯概率框架，该框架显式地将由高斯过程建模的非线性畸变与具有稀疏先验的信道参数相结合。推导过程表明，通过边缘化畸变函数，最终的估计问题可以转化为在特定的、与畸变相关的似然函数下，对稀疏信道进行推断。
- •
两种非线性SBL算法的提出：基于上述框架，研究者提出了两种具体的估计算法。第一种方法（称为Type-I）通过最大化边际似然（证据）来联合估计信道和畸变模型的超参数。第二种方法（称为Type-II）采用了一种交替优化策略，以在计算复杂度和估计精度之间提供另一种权衡。两种算法均能自动估计信道的稀疏模式（即哪些路径是有效的）及其复增益。
- •
显著的性能增益：大量的数值仿真结果证实，在存在显著硬件非线性畸变和量化误差的场景下，所提出的两种非线性SBL方法均大幅超越了传统的Bussgang线性最小均方误差（LMMSE）估计器和忽略非线性的标准线性SBL方法。特别是在高信噪比（SNR）区域，传统线性方法因模型失配而出现性能平台甚至恶化，而非线性SBL方法则能持续提升估计精度，优势更为明显。仿真还分析了伪输入数量、信噪比、畸变强度等参数对性能的影响。
研究结论与意义
本研究的主要结论是，通过将高斯过程回归与先进的稀疏贝叶斯学习技术相融合，可以有效地解决大规模MIMO系统中由硬件损伤引起的非线性信道估计难题。所提出的非线性SBL框架及两种具体算法，不仅从理论上提供了一种处理未知非线性畸变的严谨贝叶斯方法，而且通过数值仿真证明了其相对于主流线性化方法的显著性能优势，尤其是在高信噪比和强畸变条件下。
这项研究的重要意义在于它架起了一座连接理想模型与物理现实的桥梁。它表明，在追求通信极限性能时，主动建模并补偿硬件固有的不完美性，而非忽略或简单线性化处理，是一条富有成效的路径。这项工作为未来大规模MIMO接收机设计提供了新的算法工具和设计思路，有望直接提升实际系统的可靠性和数据速率，对6G、太赫兹通信等需要密集天线阵列的先进无线技术具有重要的参考价值。同时，所发展的非线性稀疏贝叶斯学习框架，其方法论也可能启发信号处理、机器学习等领域中其他存在类似“非线性观测下的稀疏恢复”问题的研究。
