Massive multiple-input multiple-output (MIMO) integrated with millimeter-wave (mmWave) can provide unprecedented performance improvement for realizing future wireless communications. However, acquiring accurate channel state information in wideband mmWave massive MIMO systems with hybrid transceiver architectures is even challenging, especially in high-mobility scenarios with severe Doppler effects. In this paper, we propose a tensor decomposition-based method to estimate the time-varying and frequency-selective (TVFS) mmWave MIMO channels. Specifically, by exploiting the sparse scattering nature of TVFS channels, we model the frequency-domain received signal as a third-order tensor that admits a canonical polyadic (CP) decomposition format. Then, we analyze the uniqueness condition of the proposed CP decomposition-based channel estimation problem and propose a novel estimator to acquire TVFS channel parameters including angle of departure/arrival (AoD/AoA), time delay, path gain, and the Doppler shift. To address the sophisticated coupling among unknown parameters, we further propose a joint AoD and Doppler shift estimation (JADE) algorithm that provides reliable initial and iteratively refined estimates. The derived analysis and simulation results verify that the proposed JADE algorithm achieves higher estimation accuracy and guarantees the superiority of the proposed TVFS channel estimator over existing schemes.

中文翻译：

---

高移动性场景中基于张量分解的混合毫米波大规模 MIMO 信道估计

与毫米波（mmWave）集成的大规模多输入多输出（MIMO）可以为实现未来的无线通信提供前所未有的性能提升。然而，在具有混合收发器架构的宽带毫米波大规模 MIMO 系统中获取准确的信道状态信息甚至具有挑战性，尤其是在具有严重多普勒效应的高移动性场景中。在本文中，我们提出了一种基于张量分解的方法来估计时变和频率选择 (TVFS) 毫米波 MIMO 信道。具体来说，通过利用 TVFS 通道的稀疏散射特性，我们将频域接收信号建模为一个三阶张量，该张量允许规范多元 (CP) 分解格式。然后，我们分析了所提出的基于 CP 分解的信道估计问题的唯一性条件，并提出了一种新的估计器来获取 TVFS 信道参数，包括出发/到达角 (AoD/AoA)、时间延迟、路径增益和多普勒频移。为了解决未知参数之间的复杂耦合，我们进一步提出了一种联合 AoD 和多普勒频移估计 (JADE) 算法，该算法提供可靠的初始和迭代细化估计。推导的分析和仿真结果验证了所提出的 JADE 算法实现了更高的估计精度，并保证了所提出的 TVFS 信道估计器优于现有方案。为了解决未知参数之间的复杂耦合，我们进一步提出了一种联合 AoD 和多普勒频移估计 (JADE) 算法，该算法提供可靠的初始和迭代细化估计。推导的分析和仿真结果验证了所提出的 JADE 算法实现了更高的估计精度，并保证了所提出的 TVFS 信道估计器优于现有方案。为了解决未知参数之间的复杂耦合，我们进一步提出了一种联合 AoD 和多普勒频移估计 (JADE) 算法，该算法提供可靠的初始和迭代细化估计。推导的分析和仿真结果验证了所提出的 JADE 算法实现了更高的估计精度，并保证了所提出的 TVFS 信道估计器优于现有方案。