[論文レビュー] Dictionary Learning Based Sparse Channel Representation and Estimation for FDD Massive MIMO Systems

Yacong Ding, Bhaskar D. Rao|arXiv (Cornell University)|Dec 20, 2016

Advanced MIMO Systems Optimization参考文献 58被引用数 9

ひとこと要約

本稿では、FDD massive MIMOシステムにおける辞書学習ベースのスパースチャネル表現と、上行／下行リンク推定を統合したフレームワークを提案する。基地局固有のチャネル測定を活用して、スパarsityと推定精度を向上させる適応的過完全辞書を学習する。上行／下行リンク間の角度的相反性を活用することで、下行リンクの訓練オーバーヘッドを顕著に低減し、特にアレイの不確実性下でも、事前定義された辞書よりも優れた性能を達成する。

ABSTRACT

This paper addresses the problem of uplink and downlink channel estimation in FDD Massive MIMO systems. By utilizing sparse recovery and compressive sensing algorithms, we are able to improve the accuracy of the uplink/downlink channel estimation and reduce the number of uplink/downlink pilot symbols. Such successful channel estimation builds upon the assumption that the channel can be sparsely represented under some basis/dictionary. Previous works model the channel using some predefined basis/dictionary, while in this work, we present a dictionary learning based channel model such that a dictionary is learned from comprehensively collected channel measurements. The learned dictionary adapts specifically to the cell characteristics and promotes a more efficient and robust channel representation, which in turn improves the performance of the channel estimation. Furthermore, we extend the dictionary learning based channel model into a joint uplink/downlink learning framework by observing the reciprocity of the AOA/AOD between the uplink/downlink transmission, and propose a joint channel estimation algorithm that combines the uplink and downlink received training signals to obtain a more accurate channel estimate. In other words, the downlink training overhead, which is a bottleneck in FDD Massive MIMO system, can be reduced by utilizing the information from simpler uplink training.

研究の動機と目的

• FDD massive MIMOシステムにおける高い下行リンク訓練およびフィードバックオーバーヘッドを、チャネルのスパarsityを活用することで軽減すること。
• 局所的な伝搬環境およびアレイの不確実性に適応可能なデータ駆動型で基地局固有の辞書学習フレームワークを構築すること。
• 上行リンクおよび下行リンクの訓練信号を共同で用いて辞書を学習することで、上行／下行リンクのチャネル推定精度を向上させること。
• パイロット記号の数を減らしてスパース回復を可能にすることで、従来の限界を下回る訓練オーバーヘッドを実現すること。
• アンテナアレイの不整合や非理想的なキャリブレーションといった実用的欠陥に対応できるようにフレームワークを拡張すること。

提案手法

• 基地局展開時に収集した包括的なチャネル測定から過完全辞書を学習し、辞書学習アルゴリズムを用いて基地局固有の伝搬特性を捉える。
• 学習された辞書を用いて上行／下行リンクのチャネル推定をスパース回復問題として定式化し、少ないパイロット記号で頑健な再構成を可能にする。
• 上行／下行リンク間の角度的相反性を活用する共同辞書学習フレームワークを導入し、上行／下行リンクのチャネル係数に共通のスパースサポートを仮定する。
• 上行／下行リンクの訓練信号を統合して共同スパース回復を実行することで、わずかな追加の上行リンク訓練で、下行リンク推定精度を向上させる。
• ベイジアン定式化を適用して、上行／下行リンクのスパースサポートに不一致が生じる可能性に対応し、不完全な相反性に対する耐性を高める。
• シミュレーテッドマイクロ波伝搬環境を用いて、理想的（完全キャリブレーション済み）および非理想的（不確実性あり）なアレイ状況の両方で手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 実際のチャネル測定から学習した辞書は、DFTのような事前定義された基底よりも、FDD massive MIMOにおけるスパarsityと推定精度を向上させることができるか？
• RQ2 上行／下行リンクの訓練信号を用いた共同辞書学習は、独立推定と比較して、どのように下行リンクチャネル推定性能を向上させるか？
• RQ3 パイロット記号が限られている状況で、上行リンクの訓練と共同学習を活用することで、どれほど下行リンクの訓練オーバーヘッドを低減できるか？
• RQ4 アンテナアレイの不確実性や不完全なキャリブレーション下で、共同辞書学習アプローチはどれほど耐性を示すか？
• RQ5 小さな上行／下行リンクの受信角／送信角の不一致といった非理想的な角度的相反性に対しても、フレームワークを拡張して対応可能か？

主な発見

• 共同で学習された辞書（JDLCM）は、独立した辞書学習よりも低い正規化平均二乗誤差（NMSE）を達成し、特に下行リンク訓練時間の短い状況で顕著に優れる。
• 上行リンク訓練記号をわずか2つに抑えた状況でも、共同推定フレームワークにより、大幅に下行リンクチャネル推定性能が向上し、広範な下行リンクパイロットの必要性が低減される。
• アレイの不確実性下では、JDLCMが共同過完全DFT行列（JODFT）を上回り、JODFTは構造的不一致のため失敗する。
• アンテナアレイの不確実性が存在する状況でも、JDLCMは頑健な性能を維持するが、JODFTは性能が低下し、長時間の下行リンク訓練では標準DFT行列でさえも下回る。
• 提案手法により、30個の上行リンク訓練記号で6セルにわたる正規直交パイロット割り当てが可能となり、スパース回復を用いることでパイロット干渉を排除できる。
• シミュレーション結果から、共同学習フレームワークにより、従来手法と比較して推定精度を維持または向上させながら、下行リンク訓練オーバーヘッドを低減可能であることが示された。