[論文レビュー] Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces

Shicong Liu, Zhen Gao+3 more|arXiv (Cornell University)|Jun 3, 2020

Advanced Wireless Communication Technologies参考文献 19被引用数 17

ひとこと要約

本稿では、ミリ波帯のインテリジェントリフレクティングサーフェス（IRS）システムにおける低コストで高精度なチャネル推定を実現する、深層ノイズ除去ニューラルネットワークを支援する圧縮センシング手法を提案する。ハイブリッド型パassive/アクティブIRSアーキテクチャを活用し、サブキャリア全体にわたる角度ドメインにおけるスパarsityを活用することで、SOMPアルゴリズムによる予備推定値を、複素数値DnCNN（CV-DnCNN）で精緻化する。これにより、最大4 dBのNMSE向上が達成され、SNRや多径条件が変化してもロバストな性能を発揮し、トレーニングのオーバーヘッドが最小限で、推論時間も短い。

ABSTRACT

Integrating large intelligent reflecting surfaces (IRS) into millimeter-wave (mmWave) massive multi-input-multi-ouput (MIMO) has been a promising approach for improved coverage and throughput. Most existing work assumes the ideal channel estimation, which can be challenging due to the high-dimensional cascaded MIMO channels and passive reflecting elements. Therefore, this paper proposes a deep denoising neural network assisted compressive channel estimation for mmWave IRS systems to reduce the training overhead. Specifically, we first introduce a hybrid passive/active IRS architecture, where very few receive chains are employed to estimate the uplink user-to-IRS channels. At the channel training stage, only a small proportion of elements will be successively activated to sound the partial channels. Moreover, the complete channel matrix can be reconstructed from the limited measurements based on compressive sensing, whereby the common sparsity of angular domain mmWave MIMO channels among different subcarriers is leveraged for improved accuracy. Besides, a complex-valued denoising convolution neural network (CV-DnCNN) is further proposed for enhanced performance. Simulation results demonstrate the superiority of the proposed solution over state-of-the-art solutions.

研究の動機と目的

• ミリ波帯の大規模MIMOシステムにおける、RFチェーン数が限られている状況下で、高次元かつパassiveなIRSチャネル推定の課題に対処すること。
• サブキャリア全体にわたる角度ドメインにおける共通スパarsityを活用することで、広帯域ミリ波IRSシステムにおけるトレーニングのオーバーヘッドを低減すること。
• 深層ノイズ除去ニューラルネットワークを統合することで、従来の圧縮センシングを凌駆する推定精度の向上を図ること。
• 実用的導入に適した優れた汎化性能とロバスト性を有する複素数値ノイズ除去ネットワーク（CV-DnCNN）の開発。
• 最小限のハードウェアコストで実現可能な低複雑性・リアルタイム推定を可能にし、大規模IRS展開に適したものとする。

提案手法

• RFチェーンを1本のみに制限するハイブリッド型パassive/アクティブIRSアーキテクチャを提案し、ハードウェアの複雑性と消費電力を低減する。
• 全帯域にわたるパイロット信号送信方式を採用し、各トレーニングインターバルにおいてIRS要素のわずかなサブセットのみを活性化して部分チャネルを測定する。
• 複数測定ベクトル（MMV）の性質を活用し、同時直交一致 Pursuit（SOMP）を用いて、限られた測定値から全チャネル行列を再構成する。
• サブキャリア全体にわたるミリ波チャネルの角度遅延ドメインにおける共通スパarsityを活用し、再構成精度を向上させる。
• SOMPによる予備推定値を精緻化するために、複素数値畳み込みニューラルネットワーク（CV-DnCNN）を導入し、推定精度を向上させる。
• Adam最適化アルゴリズムを用いて150エポックにわたりトレーニングを実施し、5000件のシミュレート済みチャネルサンプルを用い、学習率スケジュールを[30, 60, 90, 120]のマイルストーンとし、減衰係数を0.4とする。

実験結果

リサーチクエスチョン

• RQ1 RFチェーン数を最小限に抑えたハイブリッド型パassive/アクティブIRSアーキテクチャは、ミリ波システムにおける有効なチャネル推定を可能にするか？
• RQ2 SOMPを用いた圧縮センシングは、広帯域IRSシステムにおいて、サブキャリア全体にわたる角度ドメインにおけるスパarsityをどの程度活用してトレーニングのオーバーヘッドを低減できるか？
• RQ3 複素数値ノイズ除去ネットワーク（CV-DnCNN）は、従来の実数値DnCNNや基本的なCS手法と比較して、推定精度をどの程度向上させるか？
• RQ4 異なるSNRや多径成分数を有する未学習のチャネル条件に適用した場合、トレーニング済みのCV-DnCNNモデルはどの程度のロバスト性を示すか？
• RQ5 提案手法は、リアルタイム導入に適した低計算遅延を達成し、高精度なチャネル推定を実現できるか？

主な発見

• CV-DnCNNによる精緻化を施した場合、ベースラインのSOMP推定法と比較して、4 dBのNMSE向上を達成した。
• CV-DnCNNは実数値DnCNNを上回る性能を示し、複素数値チャネルデータを直接処理できる能力により、より豊かな表現能力を有していることが示された。
• CV-DnCNNは強いロバスト性を示した。10 dB SNRで事前学習したモデルは、-10 dBから20 dBのSNR範囲においてもほぼ最適性能を維持した。
• モデルは異なる多径成分数（MPCs）に対しても良好な汎化性能を示した。学習データとは異なるMPC数を有するチャネルに対しても、性能の低下が少なく安定した。
• i7-8700 CPUとNVIDIA 1060 Ti GPUを搭載した環境で、1回のチャネル推定処理に要する推論時間は$1 \times 10^{-5}$秒未満であった。
• IRSの開口部が拡大しても、本手法は有効に機能する。性能の劣化は、総IRS要素数よりも測定数$M$の増加に依存して顕著に現れた。