[論文レビュー] Adaptive Beamforming in Interference Networks via Bi-Directional Training

Changxin Shi, Randall Berry+1 more|arXiv (Cornell University)|Mar 24, 2010

Advanced MIMO Systems Optimization参考文献 7被引用数 5

ひとこと要約

本稿では、MIMO干渉ネットワークにおける事前チャネル状態情報（CSI）なしの分散型で適応型ビームフォーミングアルゴリズムを提案する。TDDシステムにおける双方向トレーニングを用い、最小二乗推定を介して反復的に送信ビームフォーマーと受信フィルタを最適化する。主な貢献は、限られたトレーニングとゆっくりとしたフェージング環境下でも性能を向上させるリカーシブ最小二乗（RLS）の変種であり、トレーニングが十分であれば、完全なCSIを有するMax-SINR性能に近づく。

ABSTRACT

We study distributed algorithms for adjusting beamforming vectors and receiver filters in multiple-input multiple-output (MIMO) interference networks, with the assumption that each user uses a single beam and a linear filter at the receiver. In such a setting there have been several distributed algorithms studied for maximizing the sum-rate or sum-utility assuming perfect channel state information (CSI) at the transmitters and receivers. The focus of this paper is to study adaptive algorithms for time-varying channels, without assuming any CSI at the transmitters or receivers. Specifically, we consider an adaptive version of the recent Max-SINR algorithm for a time-division duplex system. This algorithm uses a period of bi-directional training followed by a block of data transmission. Training in the forward direction is sent using the current beam-formers and used to adapt the receive filters. Training in the reverse direction is sent using the current receive filters as beams and used to adapt the transmit beamformers. The adaptation of both receive filters and beamformers is done using a least-squares objective for the current block. In order to improve the performance when the training data is limited, we also consider using exponentially weighted data from previous blocks. Numerical results are presented that compare the performance of the algorithms in different settings.

研究の動機と目的

• チャネル状態情報（CSI）の事前知識がなくても動作するMIMO干渉ネットワーク向け分散型ビームフォーミングアルゴリズムの設計。
• トレーニングフィードバックのみを用いて、時間変動するブロックフェージング環境におけるビームフォーマーと受信フィルタのリアルタイム適応を可能にすること。
• リカーシブ最小二乗（RLS）更新を用いて、指数的重み付けされた過去のデータを統合することで、トレーニングオーバーヘッドを低減し、性能を向上させること。
• 実用的なコherenceブロック長におけるトレーニングオーバーヘッドとスペクトル効率のトレードオフを評価すること。

提案手法

• システムは、コherenceブロックごとに交互に前向きおよび逆向きのトレーニングフェーズを実行する時分割双方向（TDD）フレームワークを採用する。
• 前向きフェーズでは、送信機が現在のビームフォーマーを用いてパイロットを送信し、受信機は受信信号を用いて最小二乗（LS）推定により受信フィルタを推定および更新する。
• 逆向きフェーズでは、受信機が現在の受信フィルタをビームフォーマーとしてパイロットを送信し、送信機はフィードバックを用いてLS推定によりビームフォーマーを更新する。
• 過去のトレーニングデータを指数関数的要因（λ）で重み付けするリカーシブ最小二乗（RLS）の変種が導入され、低トレーニング環境下での推定精度が向上する。
• チャネル変動は一次マルコフ過程を用いてモデル化され、相関係数αを用いてゆっくりとしたフェージング環境を模擬する。
• 性能は、さまざまなSNR、トレーニング長、およびチャネル相関（α）における和スループットおよびスループット指標を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 双方向トレーニングは、CSIがなければMIMO干渉ネットワークにおける有効なビームフォーミング適応をどのように可能にするか？
• RQ2 短いコherenceブロック長において、トレーニングオーバーヘッドとスペクトル効率の間にはどのようなトレードオフが生じるか？
• RQ3 トレーニングが限られている状況下で、リカーシブ最小二乗（RLS）の変種は標準LSに比べて推定精度をどのように向上させるか？
• RQ4 提案アルゴリズムは、完全なCSIを有するMax-SINRアルゴリズムの性能にどの程度近づけるか？
• RQ5 チャネル相関（α）は、LSとRLSアルゴリズムの性能差に顕著に影響を与えるか？

主な発見

• トレーニングが十分に長く、チャネル変動が無視できる場合（α = 1）、双方向LSアルゴリズムは完全なCSIを有するMax-SINRアルゴリズムに近い性能に達する。
• ゆっくりとしたフェージング環境（α = 0.99または0.999）では、トレーニング長が短い場合にRLSの変種がLSを著しく上回り、過去のデータのより効果的な活用が可能になる。
• トレーニングが十分に多い場合、LSはより高いスペクトル効率を達成するため、RLSによるスループット向上は薄れる。
• 高SNR領域では、3ユーザー系における双方向トレーニングの和スループットはチャネル不一致のため飽和するが、2ユーザー系は最適な高SNR多重度利得を達成する。
• RLSアルゴリズムは、低SNRおよび高いチャネル相関の環境で、推定がより困難な状況においてより大きな性能向上をもたらす。