多输入多输出(multi-input multi-output,MIMO)采用了多天线发射与接收信号,已成为第五代(fifth generation,5G)通信的最关键技术之一。MIMO可以通过多路径传播在同一个无线信道上发送和接收多个信号。这样充分利用了空间资源,具有许多优点,如高传输性能、大容量、延迟显著降低、多接入层简化、抗干扰能力强等。然而,为了获得MIMO系统的这些优点,发射端需要获得精确的信道状态信息(channel state information,CSI),比如发射机使用的预编码和波束形成技术通常需要CSI知识来进行传输优化。因此,在实际通信系统中,除了用户数据外,还需要对CSI进行估计。针对多用户的三维MIMO通信系统,本文提出了一系列基于张量的用户数据和CSI联合盲估计的MIMO通信系统接收机。结果表明,多用户MIMO接收信号可以表示为三阶(three-way,3-D)张量模型,其中张量模型的三因子矩阵是对应着用户符号和CSI(包括到达方向(direction-of-arrival,DOA)和延迟)。这种混合张量建模允许在不需要训练数据的情况下,对用户符号和CSI可以进行联合和单独的估计。另外,跟传统的矩阵接收机相比较,这种张量接收机可以有效捕捉多个潜在参与者之间的多线性相互作用来避免破坏数据的原始结构。此外,为了克服现有张量接收机中传统的交替最小二乘学习算法(alternating least squares,ALS)的缺点,本文提出了一些新的学习算法,分别是:● Delta bilinear ALS,(DBALS)算法,利用了两次迭代来获得预测,然后通过增强线性搜索找到最优的初始值,并使用这些优化值初始化因子矩阵。这避免了传统ALS算法中的随机初始化。此外,我们还考虑了DBALS因子矩阵中的正交和Vandermonde结构。这不仅提高了潜在因子恢复的准确性以外,还为张量模型提供了更好的唯一性结果。● 张量字典学习算法,结合了张量分解及压缩感知理论。利用信号的稀疏性,提高了信号估计准确性。特别是,这为CSI提供了一个二维(two-way,2-D)的DOA估计。●张量变分推理学习算法,其中自动恢复难以获取且已知为NP难的张量秩,并对传感器阵列网络和图像中普遍存在的脉冲噪声等测量中的离群点具有鲁棒性。这避免了传统ALS算法对张量秩知识的要求和对离群点的鲁棒性不足。此外,我们还考虑了因子矩阵中潜在的正交和稀疏结构,以提高潜在因子恢复的准确性。● 张量分解的神经网络算法,其中可以评价系统如CSI状态、干扰与噪声类型及用户行为等。从而调整算法参数,得到最优性能。这包括5G网络中的自学习(干扰和噪声)、自适应(网络状态)和自优化(容量和资源)等性能。● 最后,本文扩展到三维大规模MIMO系统和合作的MIMO中继系统。这些系统有望满足5G通信系统未来的巨大容量挑战,增加信道增益和空间多样性和提供更好的通信可靠性等优越。