随着大规模MIMO的逐渐成熟,这项可大幅提升通信速率的物理层技术已进入5G移动通信标准,在5G商用中很快将得到广泛部署和运用。大规模MIMO是通过大量增加基站端天线及射频链路数达到很高空间解析度的一项关键性技术。大规模MIMO通信系统的波束赋形依赖于准确的信道状态信息Channel State Information(CSI),在时分双工模式下,基站需要实时估计上行的信道状态信息。在此系统中,由于基站端的天线数量和用户数比传统MIMO系统多一到两个数量级,基站端估计获得的CSI将是大量的数据,再加上正交频分复用Orthogonal Frequency Division Multiplexing(OFDM)的子载波数量以及信道在时间维度上的变化和采样数,大规模MIMO系统中的信道状态信息数据可视为5G无线通信中的“大数据(Big Data)”。这些CSI数据通常在基带处理(Baseband Processing)后便直接丢弃,然而这些数据包含了基站和用户所在小区的信道环境信息,具有一定的潜在利用价值。本文设想将信道状态信息存储下来进行数据分析、挖掘(Data Mining),使用机器学习技术来发现信道状态信息大数据内部的结构和关联,以期辅助大规模MIMO通信、降低大规模MIMO系统复杂度或形成基于大规模MIMO系统的新型应用。本文的研究工作基于大规模MIMO实测信道数据,实验环境为郊区(Suburban)户外环境中的无线信道,基站端采用128根天线的圆柱状天线阵列,用户端采用单根垂直极化天线,信号中心载频为2.6GHz,带宽50MHz,基站与用户之间有视距传播路径。在对信道数据的分析中,不仅使用了矩阵的形式,且将数据变换为张量的形式进行分析。研究采用了经典的主成分分析(PCA)和针对张量的多线性主成分分析(MPCA),以及特征向量非正交的稀疏字典学习法,对大规模MIMO信道数据的稀疏性进行量化的分析。然后,将预处理后的数据采用神经网络进行地理位置上的分类与识别。本文提出了将大规模MIMO信道数据作为物理层大数据的思路。在已知大规模MIMO信道具有稀疏特性后,对实测信道数据进行了量化的稀疏性分析,并且采用张量的形式和方法,保留了不同维度之间潜在的相关性。在对数据进行初步分析后,我们发现基于信道数据的地理位置分类与识别可以达到80%以上的准确性,尤其是利用仅含信道增益的数据进行分类、识别,不仅大大降低了运算复杂度而且准确性也有明显改善,达到90%以上。