[論文レビュー] Beamspace Channel Estimation for Wideband Millimeter-Wave MIMO: A Model-Driven Unsupervised Learning Approach

Hengtao He, Rui Wang+4 more|arXiv (Cornell University)|Jun 30, 2020

Millimeter-Wave Propagation and Modeling被引用数 9

ひとこと要約

本稿では、広帯域mmWave MIMOシステムにおけるビームスペースチャネル推定のため、モデル駆動型の教師なし深層学習ネットワークLDGECを提案する。スティーンの不偏リスク推定器（SURE）損失を活用することで、実際のチャネルデータがなくても学習が可能となり、圧縮センシングに基づく手法ですら、少数のRFチェーンや低分解能ADCを搭載した状況でも優れた性能を達成する。

ABSTRACT

Millimeter-wave (mmWave) communications have been one of the promising technologies for future wireless networks that integrate a wide range of data-demanding applications. To compensate for the large channel attenuation in mmWave band and avoid high hardware cost, a lens-based beamspace massive multiple-input multiple-output (MIMO) system is considered. However, the beam squint effect in wideband mmWave systems makes channel estimation very challenging, especially when the receiver is equipped with a limited number of radio-frequency (RF) chains. Furthermore, the real channel data cannot be obtained before the mmWave system is used in a new environment, which makes it impossible to train a deep learning (DL)-based channel estimator using real data set beforehand. To solve the problem, we propose a model-driven unsupervised learning network, named learned denoising-based generalized expectation consistent (LDGEC) signal recovery network. By utilizing the Stein's unbiased risk estimator loss, the LDGEC network can be trained only with limited measurements corresponding to the pilot symbols, instead of the real channel data. Even if designed for unsupervised learning, the LDGEC network can be supervisingly trained with the real channel via the denoiser-by-denoiser way. The numerical results demonstrate that the LDGEC-based channel estimator significantly outperforms state-of-the-art compressive sensing-based algorithms when the receiver is equipped with a small number of RF chains and low-resolution ADCs.

研究の動機と目的

• 限られたRFチェーン数と低分解能ADCを有する広帯域mmWave MIMOシステムにおけるビームスキュートの課題に対処すること。
• 実際のチャネルデータがトレーニングに利用できない新規環境において、効果的なチャネル推定を可能にすること。
• 教師付きラベルを必要としない深層学習ベースのチャネル推定器を開発し、教師なし学習を可能にすること。
• 少数のRFチェーンや低分解能ADCを搭載した低複雑性ハードウェアアーキテクチャにおけるロバスト性と性能を向上させること。

提案手法

• ビームスペースmmWaveチャネル推定のための、学習されたデノイジングに基づく一般化期待一致（LDGEC）信号復元ネットワークを提案する。
• 実際のチャネルデータ（教師データ）が不要な教師なし学習を可能にするために、スティーンの不偏リスク推定器（SURE）損失を採用する。
• 2つのトレーニング戦略を導入する：デノイザー・バイ・デノイザー法とレイヤー・バイ・レイヤー訓練法。両者ともSURE損失を用いて反復的にノイズ分散を推定する。
• DnCNNベースのデノイザーを、展開された反復的最適化フレームワーク内に統合し、スパースなビームスペースチャネルを回復する。
• 低分解能ADCシステムにおけるロバスト性を向上させるために、減衰係数の指数関数的減衰を適用する。
• 実際のチャネルデータが利用可能な場合、デノイザー・バイ・デノイザー法を活用して教師あり微調整を可能にする。

実験結果

リサーチクエスチョン

• RQ1 実際のチャネルデータがなくても、深層学習ベースのチャネル推定器をトレーニング可能であり、未確認の伝搬環境への展開が可能か？
• RQ2 低精度ADCおよび限られたRFチェーン数の下で、LDGECネットワークはどの程度の性能を発揮するか？
• RQ3 SUREに基づく教師なし学習は、ビームスペースmmWave MIMOにおいて、従来の圧縮センシングアルゴリズムをどの程度上回るか？
• RQ4 レイヤー・バイ・レイヤー訓練戦略は、粗い区間ベースのデノイザー・バイ・デノイザー訓練と比較して、デノイジング性能をどのように向上させるか？

主な発見

• SURE損失を用いたLDGECネットワークは、最先端の圧縮センシングアルゴリズムよりも顕著に低いNMSEを達成し、δ=1の測定比（つまり、1つのパイロット/RFチェーン）でも同様に優れた性能を示す。
• δ=1のLDGECは、δ=2のSSDを上回り、RFチェーン数の削減およびパイロットオーバーヘッドの低減に対しても強いロバストネスを示す。
• 2ビットADCを用いたLDGEC推定器は、SNR < 10 dBの範囲で無限ビットADCを搭載したSSDアルゴリズムを上回り、低分解能システムにおける有効性を実証した。
• レイヤー・バイ・レイヤー訓練は、各レイヤーごとの正確なノイズ分散推定を活用することで、デノイザー・バイ・デノイザー訓練よりも高いデノイジング精度を実現し、性能を向上させる。
• LDGEC-SUREネットワークは、低分解能ADC下でも高い性能を維持しており、低コストかつ省エネルギーなmmWaveシステムへの応用が有望である。
• 教師なしLDGECフレームワークにより、事前のチャネルデータがなくても新規環境への展開が可能となり、データ駆動型深層学習の主要な制限要因を克服した。