[論文レビュー] Deep Learning based Channel Estimation for Massive MIMO with Mixed-Resolution ADCs

Shen Gao, Peihao Dong+2 more|arXiv (Cornell University)|Aug 17, 2019

Wireless Signal Modulation Classification参考文献 13被引用数 10

ひとこと要約

本稿では、混合分解能ADCを備えた massive MIMO システムにおける深層学習ベースのチャネル推定を提案し、高分解能ADCの信号を活用して低分解能ADCアンテナのチャネルを予測する Direct-Input DNN (DI-DNN) と Selective-Input Prediction DNN (SIP-DNN) を導入する。SIP-DNNは、特に1ビットADCの場合に従来手法を上回り、さまざまなADC分解能パターンにおいても頑健な性能を維持する。

ABSTRACT

In this article, deep learning is applied to estimate the uplink channels for mixed analog-to-digital converters (ADCs) massive multiple-input multiple-output (MIMO) systems, where a portion of antennas are equipped with high-resolution ADCs while others employ low-resolution ones at the base station. A direct-input deep neural network (DI-DNN) is first proposed to estimate channels by using the received signals of all antennas. To eliminate the adverse impact of the coarsely quantized signals, a selective-input prediction DNN (SIP-DNN) is developed, where only the signals received by the high-resolution ADC antennas are exploited to predict the channels of other antennas as well as to estimate their own channels. Numerical results show the superiority of the proposed DNN based approaches over the existing methods, especially with mixed one-bit ADCs, and the effectiveness of the proposed approaches on different ADC resolution patterns.

研究の動機と目的

• 混合分解能ADCを用いた massive MIMO システムにおける非線形歪みと推定精度の低下という課題に対処すること。特に1ビットADCの状況を想定する。
• 低分解能ADCによる深刻な量子化歪みに対処できない従来の線形推定手法（例：LMMSE、EM-GM-GAMP）の限界を克服すること。
• 高分解能と低分解能ADCアンテナ間の空間相関性および非線形関係を活用する深層学習ベースのチャネル推定フレームワークを開発すること。
• 構造的ブロック型および非構造的ランダム配置の両方を含む、さまざまなADC分解能パターンに対しても頑健な性能を確保すること。
• 実世界の massive MIMO システムにおける混合ADCアーキテクチャに実用的かつスケーラブルなソリューションを提供すること。

提案手法

• 高分解能および低分解能ADCアンテナからの受信信号をすべて直接入力として使用する完全結合型深層ニューラルネットワーク（fully-connected deep neural network）を用いた Direct-Input DNN (DI-DNN) を提案し、両者のチャネルを統合的に推定する。
• 高分解能ADCアンテナからの信号のみを用いて、高分解能および低分解能アンテナのチャネルを予測する Selective-Input Prediction DNN (SIP-DNN) を導入し、量子化済みの低分解能信号による性能劣化を回避する。
• 高分解能と低分解能のチャネル状態間の非線形写像をDNNでモデル化し、従来手法では扱えない複雑な空間相関性を捉える。
• 2段階の訓練プロセスを採用：まず高分解能信号から高分解能チャネル状態を推定し、次に学習された写像関係を用いて低分解能チャネル状態を予測する。
• DI-DNNおよびSIP-DNNの両者に正規化平均二乗誤差（NMSE）に基づく損失関数を採用し、高分解能および低分解能アンテナ群それぞれに別個のNMSE指標を設定する。
• ネットワーク構造の影響を評価するため、SIP-CNN（畳み込みニューラルネットワーク）などの代替アーキテクチャを評価し、全結合型DNNと同等の性能を示すことが判明した。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、massive MIMO 上行リンクシステムにおける低分解能ADCに起因する性能劣化を効果的に緩和できるか？
• RQ2 混合ADC構成下で、DNNベースのチャネル推定は従来の線形手法（例：LMMSE、EM-GM-GAMP）と比較してどのように性能を発揮するか？
• RQ3 低分解能ADC信号を排除するSIP-DNNアプローチは、特に高SNRまたは高分解能環境下でDI-DNNよりも高い推定精度を達成できるか？
• RQ4 ブロック型とランダム配置の両方のADC分解能パターンに対して、提案手法の性能はどの程度頑健か？
• RQ5 SNRや高分解能ADCアンテナの割合（η）といったシステムパrameterに基づいて、DI-DNNとSIP-DNNの最適なトレードオフは何か？

主な発見

• SIP-DNNは、全SNR領域においてLMMSEおよびEM-GM-GAMPを上回り、高分解能ADCアンテナの割合（η）が ≥ 0.4 の場合に最良の性能を発揮する。
• 混合1ビットADC環境下では、SIP-DNNがLMMSEおよびEM-GM-GAMPと比較して顕著に低いNMSEを達成し、特に高SNR領域で顕著な改善が見られる。これは、後者の手法が量子化歪みによって誤差床（error floor）に陥るためである。
• DI-DNNは中・高SNR領域でLMMSEおよびEM-GM-GAMPを上回るが、ηが小さい場合には低分解能信号の劣化により性能が制限される。
• SIP-DNNは高SNR領域でも顕著な誤差床を示さず、粗い量子化の影響を効果的に回避できることを確認した。
• SIP-DNNの性能はηの増加に伴い著しく向上し、DI-DNNとSIP-DNNの曲線の交差点は、システム設計者がSNRやηに応じて最適な性能を得るために両手法を切り替える可能性を示している。
• SIP-DNNの全結合型DNNをCNN（SIP-CNN）に置き換えても、NMSE性能はほぼ同等に保たれ、全結合型アーキテクチャがチャネル予測タスクに十分であることを示している。