EEPW论坛

个人认为mimo系统的信道预测的方法无外乎三种范畴：
1. Training based channel estimation
2. blind channel estimation
3. semi-blind channel estimation (combination of training and blind)
现在也读到一些paper采用了类似ML的算法不对信道矩阵H进行预测而直接recover transmit messages。

我在这里主要想请教和讨论一下blind channel estimation。
在blind channel estimation中，subspace method的应用最为普遍。subspace method我想最早的是Dr. Mouline在95年的关于simo系统blind channel estimation的一篇IEEE transcation中提出的。之后该方法被extended to mimo。在我看来，基于subspace的所有blind channel estimation method都不是完完全全的blind，严格的来说他们都是semi-blind。

因为基于subspace的盲信道预测利用了真实信道矩阵的Sylvester matrix形式与噪声的本征向量（noise subspace eigenvector）的正交性的性质。由noise subspace的最小本征值所对应的本征向量来预测出信道。但是预测出的信道和真的信道有很大的差异，这种差异是由ambiguity造成的（我不知道中文叫什么，“不确定性”）。这种ambiguity来自相位和幅度。而消除这种ambiguity的方法就是使用training sequence or pilot sequence, 这样一来不就是semi-blind的。

其实在所有盲信道的预测技术中（不仅在信道预测技术中，precoding技术中），ambiguity总是存在的。假如只有相位的ambiguity存在，那么使用类似differential QPSK的调制技术就可以消除。而有幅度ambiguity存在的时候可以用归一化的办法来将就一下，使得paper中的simulation图好看一点。但是如果相位和幅度的不确定性同时存在，往往称为是一个ambiguity matrix or unknown matrix，我们就需要重新使用training的老办法了。

我觉得ambiguity算是blind channel estimation中的一个trade off，想完全避免ambiguity或只产生尽量少的ambiguity就要牺牲其它东西了。我曾经写过一篇基于SVD和precoding的mimo ofdm盲信道预测的paper，实现了只有相位上的不确定性，用differential QPSK调制技术避免。但是我的方法却牺牲了code rate，适合2 x 2的mimo ofdm，一旦发送天线多余2，code rate 就低于0.5了。最后该paper中了IEEE的一个conf，但是被一个reviewer攻击的很厉害。

我在这里发这一贴得目的其实是想让大家讨论一下如何用最简单的方法消除subspace method带来的不确定性。

其实我做过很多次subspace blind channel estimation的simulation，成功的找到了与噪声本征向量正交性很好的预测信道，但我一直不知道如何使用尽量少的pilot sequence来得到ambiguity matrix。这是我想向大家请教的问题。