[論文レビュー] Beamspace Channel Estimation in mmWave Systems via Cosparse Image Reconstruction Technique

Jie Yang, Chao-Kai Wen+2 more|arXiv (Cornell University)|Jul 28, 2017

Millimeter-Wave Propagation and Modeling参考文献 34被引用数 5

ひとこと要約

本稿では、EM学習を用いたガウス・ミクスチャー確率モデルによる拡張を施したSCAMPIアルゴリズムを用いて、3次元レンズアレイmmWaveシステムにおける新規なビームスペースチャネル推定手法を提案する。チャネルのスパarsityと滑らかさを2次元画像として捉えることで、OMPやサポート検出法よりも高い精度と高速な収束性を達成し、10%の位相シフター削減に対してもロバストである。均一な事前分布モデルよりも優れた性能を示す。

ABSTRACT

This paper considers the beamspace channel estimation problem in 3D lens antenna array under a millimeter-wave communication system. We analyze the focusing capability of the 3D lens antenna array and the sparsity of the beamspace channel response matrix. Considering the analysis, we observe that the channel matrix can be treated as a 2D natural image; that is, the channel is sparse, and the changes between adjacent elements are subtle. Thus, for the channel estimation, we incorporate an image reconstruction technique called sparse non-informative parameter estimator-based cosparse analysis AMP for imaging (SCAMPI) algorithm. The SCAMPI algorithm is faster and more accurate than earlier algorithms such as orthogonal matching pursuit and support detection algorithms. To further improve the SCAMPI algorithm, we model the channel distribution as a generic Gaussian mixture (GM) probability and embed the expectation maximization learning algorithm into the SCAMPI algorithm to learn the parameters in the GM probability. We show that the GM probability outperforms the common uniform distribution used in image reconstruction. We also propose a phase-shifter-reduced selection network structure to decrease the power consumption of the system and prove that the SCAMPI algorithm is robust even if the number of phase shifters is reduced by 10%.

研究の動機と目的

• 大規模なアレイアンテナを備えたmmWaveシステムにおける高いハードウェア複雑性とトレーニングオーバーヘッドを低減すること。
• 3次元レンズアレイアンテナのエネルギー集束特性とビームスペースチャネルのスパarsityを活用し、効率的な推定を実現すること。
• OMPやサポート検出法といった既存の圧縮センシングアルゴリズムを改善するため、チャネル分布をガウス・ミクスチャー（GM）事前分布でモデル化すること。
• 位相シフターの選択ネットワークを低減することで、システムの消費電力を低減すること。
• 実用的なハードウェア制約、例えばRFチェーンや位相シフターの数の削減といった条件下でも、ロバスト性と性能向上を実証すること。

提案手法

• ビームスペースチャネル行列を、スパースかつ滑らかに変化する要素を持つ2次元自然画像としてモデル化し、画像再構成技術の適用を可能にする。
• スパースで情報のないパrameter推定に基づくSCAMPIアルゴリズムを採用し、高速かつ高精度なチャネル回復を実現する。
• チャネル分布を表現するためにガウス・ミクスチャー（GM）確率モデルを導入し、一般的に用いられる均一な事前分布を置き換える。
• EM学習アルゴリズムをSCAMPIに組み込み、反復的にGMパラメータ（λ, a, v）を推定することで、再構成精度を向上させる。
• 性能を維持しつつ、消費電力を低減するため、位相シフターを削減した選択ネットワークを提案する。
• EMを用いた後方確率とパラメータ推定の反復的更新により、アルゴリズムを検証し、λ, a, vの閉形式更新を実装する。

実験結果

リサーチクエスチョン

• RQ1 SCAMPIアルゴリズムにGM-EM学習を組み合わせることで、OMP やサポート検出法といった従来の圧縮センシング手法よりも、ビームスペースmmWaveチャネル推定において優れた性能を発揮できるか？
• RQ2 ガウス・ミクスチャー事前分布を用いることで、均一な事前分布と比較して、推定精度がどのように向上するか？
• RQ3 推定性能に悪影響を及げることなく、位相シフターの数をどの程度まで削減できるか？
• RQ4 ビームスペースチャネル行列を2次元自然画像として扱う画像再構成の視点により、より高速かつ高精度な回復が可能になるか？
• RQ5 mmWaveパスの滑らかさとクラスタリング特徴を推定フレームワークに組み込むと、どのような影響が生じるか？

主な発見

• 提案されたSCAMPIアルゴリズムにGM-EM学習を組み合わせることで、OMP やサポート検出法よりも高い推定精度と高速な収束性を達成した。
• ガウス・ミクスチャー事前分布の使用は、再構成精度とロバスト性の両面で均一な事前分布を大きく上回った。
• 位相シフター数が10%削減された状況でも、アルゴリズムは依然としてロバストであり、実用的ハードウェア耐性を示した。
• 位相シフターを削減した選択ネットワークは、性能を損なわせることなく、システムの消費電力を効果的に低減した。
• GMモデルのEMベースのパラメータ学習により、適応的かつデータ駆動型の推定が可能となり、収束性と精度が向上した。
• ビームスペースチャネル行列が内在するスパarsityと滑らかさは、2次元画像として扱うことで効果的に活用され、高性能な再構成が実現された。