[論文レビュー] Deep Learning-Based Channel Estimation for High-Dimensional Signals

Eren Balevi, Jeffrey G. Andrews|arXiv (Cornell University)|Apr 19, 2019

Wireless Signal Modulation Classification参考文献 13被引用数 28

ひとこと要約

本論文は、OFDM や massive MIMO などの高次元信号における訓練不要な深層学習ベースのチャネル推定器を提案する。深層画像プライア（DIP）を活用して時間周波数相関を効果的に利用する。ラベル付き学習データを必要とせず、パイロット記号のみを用いて即座に深層ニューラルネットワーク（DNN）のパラメータを適合させる。これにより、LS推定とほぼ同等の複雑さでほぼMMSE性能を達成し、パイロットオーバーヘッドを最大98％まで削減する。

ABSTRACT

We propose a novel deep learning-based channel estimation technique for high-dimensional communication signals that does not require any training. Our method is broadly applicable to channel estimation for multicarrier signals with any number of antennas, and has low enough complexity to be used in a mobile station. The proposed deep channel estimator can outperform LS estimation with nearly the same complexity, and approach MMSE estimation performance to within 1 dB without knowing the second order statistics. The only complexity increase with respect to LS estimator lies in fitting the parameters of a deep neural network (DNN) periodically on the order of the channel coherence time. We empirically show that the main benefit of this method accrues from the ability of this specially designed DNN to exploit correlations in the time-frequency grid. The proposed estimator can also reduce the number of pilot tones needed in an OFDM time-frequency grid, e.g. in an LTE scenario by 98% (68%) when the channel coherence time interval is 73ms (4.5ms).

研究の動機と目的

• OFDM や massive MIMO システムにおける高次元チャネル推定の課題に、パイロットオーバーヘッドを最小限に抑えて対処すること。
• 2次モーメント統計情報やラベル付き学習データを必要とせず、ほぼMMSE性能を達成するチャネル推定器の開発。
• 時間周波数信号相関を活用することで、移動局に適したスケーラブルで低複雑度のチャネル推定を実現すること。

提案手法

• 特別に設計された DNN のパラメータを、事前学習をせずに受信信号とパイロット記号に直接適合させる深層画像プライア（DIP）フレームワークを用いる。
• DNN は時間周波数ドメインにおけるチャネルの潜在的構造を学習することで、受信信号のノイズ除去版を生成する。
• DNN が生成した信号をパイロット記号で要素ごとに割ることで、LS推定を模倣したチャネル推定値を算出する。
• パラメータ共有を採用することで、サブキャリア数に依存しないスケーラビリティを確保し、大規模システムでも低複雑度を実現する。
• 各コherence時間あたり数百エポックにわたり反復的に最適化するが、外部の学習データセットは不要。
• SISO-OFDM、massive MIMO-OFDM、および任意のマルチアンテナ構成に適用可能であり、チャネル統計に関する仮定は一切不要。

実験結果

リサーチクエスチョン

• RQ1 ラベル付き学習データやチャネル統計の知識がなくても、深層学習ベースのチャネル推定器がほぼMMSE性能を達成できるか？
• RQ2 DNN が高次元 OFDM 信号内の時間周波数相関をどれほど効果的に活用できるか、推定誤差の低減に寄与するか？
• RQ3 DNN ベースのアプローチを用いることで、どれほどパイロットオーバーヘッドを削減しつつ高い推定精度を維持できるか？
• RQ4 massive MIMO システムにおけるサブキャリア数やアンテナ数の増加に伴い、本手法はどの程度スケーラブルか？
• RQ5 チャネル相関構造（例：i.i.d. と現実的モデル）が DNN ベース推定器の性能に与える影響はいかほどか？

主な発見

• 2次モーメント統計情報が不明な状態でも、MMSE推定と1 dB未満の性能ギャップを達成する。
• チャネルコherence時間 73 ms の LTE に類似した OFDM システムでは、パイロット音の数を98％削減（100％から2％へ）。
• コherence時間 4.5 ms の場合、パイロット削減率は68％に達し、スペクトル効率の大幅な向上を示す。
• 計算複雑度の増加はわずかであり、LS推定を上回る性能を達成する。
• DNN の成功は、時間周波数相関を効果的に活用できる能力に起因しており、i.i.d. 周波数ドメインタップでは性能が著しく劣化することが示された。
• アンテナ相関に対してもロバストであり、16アンテナベースステーションを備えた massive MIMO 上行リンク環境でも高い性能を維持する。