[論文レビュー] Deep Learning Based Joint Pilot Design and Channel Estimation for Multiuser MIMO Channels

Chang-Jae Chun, Jae‐Mo Kang+1 more|arXiv (Cornell University)|Dec 10, 2018

Advanced MIMO Systems Optimization参考文献 6被引用数 5

ひとこと要約

本稿では、マルチユーザーMIMOシステムにおける深層学習ベースの共同パイロット設計およびチャネル推定方式を提案する。この方式は、エンドツーエンド学習により、非直交パイロットと非線形チャネル推定器を同時に最適化し、平均二乗誤差（MSE）を最小化する。本手法は、学習されたパイロット信号と逐次干渉キャンセレーション（SIC）を備えた深層ニューラルネットワーク推定器により、ユーザー間干渉を効果的に抑制することで、特に高SNRにおいて、最先端の線形LMMSEベースの手法を上回る性能を発揮する。

ABSTRACT

In this paper, we propose a joint pilot design and channel estimation scheme based on the deep learning (DL) technique for multiuser multiple-input multiple output (MIMO) channels. To this end, we construct a pilot designer using two-layer neural networks (TNNs) and a channel estimator using deep neural networks (DNNs), which are jointly trained to minimize the mean square error (MSE) of channel estimation. To effectively reduce the interference among the multiple users, we also use the successive interference cancellation (SIC) technique in the channel estimation process. The numerical results demonstrate that the proposed scheme considerably outperforms the state-of-the-art linear minimum mean square error (LMMSE) based channel estimation scheme.

研究の動機と目的

• パイロット長Lがユーザーのアンテナ総数M未満である場合に生じるスペクトル効率の悪化という課題に取り組む。この状況では直交パイロット設計が失敗する。
• LMMSEのような従来の線形推定器の制限を克服する。これらの手法は性能を制限しており、直接的にMSEを最小化しない。
• チャネル推定のMSEを直接最小化できるように、パイロット設計とチャネル推定を同時に最適化する統合フレームワークを開発する。
• 非直交パイロット条件および高い干渉環境下でも、上行リンクマルチユーザーMIMOシステムにおいて効果的なチャネル推定を可能にする。特にL < Mの場合に有効である。
• 線形手法と比較して、MSE性能および干渉抑制の観点から、非線形深層学習ベースのアプローチの優位性を示す。

提案手法

• 複数ユーザーの非直交パイロット信号を生成する2層ニューラルネットワーク（TNN）を構築し、投影勾配降下法によりパワー制約を適用する。
• 非線形チャネル推定のための深層ニューラルネットワーク（DNN）を設計し、TNNと共同で学習させ、チャネル推定のMSEを最小化する。
• 逐次干渉キャンセレーション（SIC）をDNNベースのチャネル推定器に統合し、推定中にユーザー間干渉を抑制する。
• 確率的勾配降下法を用いて、全システムをエンドツーエンドで学習し、損失関数は学習データ上のMSEのサンプル平均として定義する。
• 各勾配ステップの後に、更新されたパイロットベクトルを許容可能なパワー領域に投影することで、パイロット信号のパワー制約を強制する。
• 既知の統計から抽出したチャネルおよびノイズサンプルを用いたオフライン学習を実施し、多様な実世界のチャネル環境への展開を可能にする。

実験結果

リサーチクエスチョン

• RQ1 L < M の状況下で、深層学習ベースの共同パイロット設計およびチャネル推定フレームワークは、従来の線形LMMSEベースの手法を上回る性能を発揮するか？
• RQ2 エンドツーエンド学習により非直交パイロット系列を学習することは、ヒューリスティック的または直交パイロット設計と比較して、より優れたMSE性能をもたらすか？
• RQ3 上行リンクマルチユーザーMIMOにおいて、非線形DNNベースのチャネル推定器は、線形推定器と比較して、どの程度ユーザー間干渉を低減できるか？
• RQ4 SNRが上昇するに従って、提案手法と最先端の線形手法との性能差はどのように変化するか？
• RQ5 深層学習によるパイロットと推定器の共同最適化は、パイロット設計における線形性や直交性の仮定を一切せずに、より低いMSEを達成できるか？

主な発見

• 提案手法は、特に高SNRにおいて、最先端の線形LMMSEベースの手法を顕著に上回るチャネル推定MSE性能を発揮する。
• 提案手法のMSEは、おおよそ20エポック経過後に安定して収束し、統合ネットワークの効果的かつ信頼性の高い学習が実現していることを示している。
• 提案手法は、わずか3エポック目で線形ベースラインを上回り始め、効果的なパイロットおよび推定パターンの迅速な学習が可能であることを示している。
• SNRが高くなるにつれて、提案手法と線形手法との性能差が拡大する。これは、非線形推定器が高SNR状態をより効果的に活用して干渉を抑制できることを示している。
• 学習されたパイロット信号は非直交的であり、チャネル推定器は非線形である。これは、本手法が従来の研究に見られる直交性および線形性の仮定を効果的に回避できていることを確認している。
• DNNベースの推定器内に統合された逐次干渉キャンセレーション（SIC）は、ユーザー間干渉を効果的に低減し、MSE性能の向上に寄与している。