[論文レビュー] Cascaded Channel Estimation for Large Intelligent Metasurface Assisted Massive MIMO

Zhen-Qing He, Xiaojun Yuan|arXiv (Cornell University)|May 20, 2019

Advanced Wireless Communication Technologies参考文献 25被引用数 36

ひとこと要約

論文は、2段階の JBF-MC アルゴリズムを提案し、BiG-AMP によるスパース行列分解と Riemannian gradient による行列補完を組み合わせて、LIM 支援の巨大 MIMO における cascaded BS-LIM および LIM-user チャンネルを推定する。

ABSTRACT

In this letter, we consider the problem of channel estimation for large intelligent metasurface (LIM) assisted massive multiple-input multiple-output (MIMO) systems. The main challenge of this problem is that the LIM integrated with a large number of low-cost metamaterial antennas can only passively reflect the incident signal by a certain phase shift, and does not have any signal processing capability. To deal with this, we introduce a general framework for the estimation of the transmitter-LIM and LIM-receiver cascaded channel, and propose a two-stage algorithm that includes a sparse matrix factorization stage and a matrix completion stage. Simulation results illustrate that the proposed method can achieve accurate channel estimation for LIM-assisted massive MIMO systems.

研究の動機と目的

• LIM 要素がパッシブで信号を処理できない FATM の場で、LIM 支援の巨大 MIMO における正確な CSI 購読を動機づけて可能にする。
• BS-LIM および LIM-user チャンネルを、 sparsity と rank-deficiency を伴う bilinear factorization として定式化する。
• スパース行列分解と行列補完を通じて G と H を回復する2段階アルゴリズムを開発する。
• シミュレーションを通じてベースライン法に対する性能向上を評価する。

提案手法

• Y = G diag(s) H X + W を定式化し、次に Y = G Z + W を定式化して Z = S \bodot (H X) による bilinear factorization を可能にする。
• Z のスパース性を持つランダム Bernoulli S と、因子分解を支援するためのフルランク X を設計する。
• Y から G と Z を推定するために BiG-AMP を適用してスパース行列分解を行う。
• Z から H を復元するために Riemannian gradient ベースの行列補完を適用し、H の階層欠陥特性を活用する。
• 完成した A から H を推定する形式として H = から A の補完から導出される H = から A × X^† を計算する。
• 計算量のメモ: BiG-AMP は各反復で O(L N T) を支配的に要し、RGrad は各反復で O(r N T) を要する。

実験結果

リサーチクエスチョン

• RQ1 LIM が完全にパッシブな場合、BS-LIM と LIM-user のカスケードチャネルをどのように正確に推定できるか。
• RQ2 スパース行列分解と行列補完を組み合わせた2段階アプローチは、カスケードチャネルを効果的に回復できるか。
• RQ3 LIM 支援 MIMO における信号設計（S と X）は、因子分解と補完をいかに安定させるか。
• RQ4 提案する JBF-MC アルゴリズムとベースライン法の NMSE における性能向上は、SNR やパイロット数の変化下でどの程度か。

主な発見

• JBF-MC アルゴリズムは LIM 支援の巨大 MIMO システムのカスケードチャネル推定を高精度で実現。
• BiG-AMP ベースのスパース因子分解は Y から G と Z を効果的に推定し、シミュレーションで K-SVD および SPAMS のベースラインより優れている。
• RGrad による行列補完は rank-deficient な H を利用して Z から H を回復し、LIM-user チャンネルの推定を改善。
• NMSE の利得は大きく、特に G の推定で、SNR およびパイロット構成を通じて顕著。
• スパース性レベルにはトレードオフがある：小さすぎると行列補完が妨げられ、大きすぎると因子分解が妨げられる（相転移が示される）。