مقاله تخمین‌گر کم‌پیچیدگی کور نسبت سیگنال به نویز برای ارتباطات چندآنتنی موج میلی‌متری

در این مقاله، یک تخمین‌گر کم‌پیچیدگی و بدون نیاز به دانش قبلی (blind) برای توان متوسط نویز، توان متوسط سیگنال و نسبت سیگنال به نویز (SNR) در سیستم‌های بالادستی (uplink) میلی‌متری (mmWave) با آنتن‌های انبوه ارائه می‌دهیم. به طور خاص، روش پیشنهادی طوری طراحی شده است که تنها با استفاده از یک نمونه سیگنال دریافتی، بدون اتکا به سیگنال‌های پایلوت، بهینه‌سازی تکراری، یا مشاهدات متعدد، و بدون نیاز به دانش قبلی از سیگنال ارسالی عمل کند. با بهره‌گیری از پراکندگی ذاتی کانال‌های mmWave در حوزه فضایی پرتو (beamspace)، این تخمین‌گر مولفه‌های غالب نویز را از طریق یک رویه مبتنی بر مرتب‌سازی که با معیار تفاضل محدود ترکیب شده است، شناسایی می‌کند. این جداسازی با آمار ترتیبی توان نویز تحت مفروضات گاوسی پشتیبانی می‌شود و امکان تمایز آماری بین عناصر سیگنال و نویز را فراهم می‌آورد. توان متوسط نویز از مولفه‌های شناسایی شده که فقط حاوی نویز هستند، تخمین زده می‌شود و سپس توان سیگنال و SNR از طریق عملیات حسابی ساده به دست می‌آیند. الگوریتم پیشنهادی به پیچیدگی محاسباتی پایینی دست می‌یابد و برای پیاده‌سازی بلادرنگ مناسب است. برای اثبات امکان‌پذیری عملی آن، یک معماری مدارهای مجتمع در مقیاس بزرگ (VLSI) با کارایی سخت‌افزاری توسعه یافته و بر روی کیت ارزیابی AMD-Xilinx Kintex UltraScale+ KCU116 پیاده‌سازی شده است، که نتایج مربوط به آن در حوزه گیت‌های برنامه‌پذیر میدانی (FPGA) ارائه شده است. این پیاده‌سازی تأخیر کم و مقیاس‌پذیری زیرخطی استفاده از منابع سخت‌افزاری نسبت به تعداد آنتن‌ها را نشان می‌دهد و تخمین پارامترها را در مدت زمانی کوتاه‌تر از یک نماد (symbol) در سیستم‌های بی‌سیم متداول امکان‌پذیر می‌سازد. نتایج شبیه‌سازی تأیید می‌کنند که تخمین‌گر پیشنهادی در مقایسه با روش‌های موجود مبتنی بر تک نمونه، به دقت تخمین بالایی دست می‌یابد.

In this paper, we propose a low-complexity blind estimator for the average noise power, average signal power, and signal-to-noise ratio (SNR) in millimeter-wave (mmWave) massive multi-antenna uplink systems. In particular, the proposed method is designed to operate using only a single received signal sample, without relying on pilot signals, iterative optimization, or multiple observations, and without requiring prior knowledge of the transmitted signal. By exploiting the inherent sparsity of mmWave channels in the beamspace domain, the estimator identifies noise-dominant components through a sorting-based procedure combined with a finite-difference criterion. This separation is further supported by the order statistics of noise power under Gaussian assumptions, enabling statistically grounded discrimination between signal and noise elements. The average noise power is estimated from the identified noise-only components, and the signal power and SNR are subsequently obtained through simple arithmetic operations. The proposed algorithm achieves low computational complexity and is well-suited for real-time implementation. To demonstrate its practical feasibility, a hardware-efficient very large-scale integration (VLSI) architecture is developed and implemented on a AMD-Xilinx Kintex UltraScale+ KCU116 Evaluation Kit, with corresponding field-programmable gate array (FPGA) results provided. The implementation exhibits low latency and sublinear scaling of hardware resource utilization with respect to the number of antennas, and enables parameter estimation within a duration shorter than a single symbol of conventional wireless systems. Simulation results verify that the proposed estimator achieves high estimation accuracy compared to existing single-sample-based methods.