[論文レビュー] Hierarchical Sparse Channel Estimation for Massive MIMO.

Gerhard Wunder, Ingo Roth+5 more|arXiv (Cornell University)|Jan 1, 2018

Advanced MIMO Systems Optimization被引用数 7

ひとこと要約

本稿では、圧縮センシングを用いて、チャネルの階層的スパarsity構造を明示的に活用し、クラメール型測定行列への圧縮センシング解析の拡張を図ることで、広帯域マスティブ MIMO システム向けの階層的スパースチャネル推定アルゴリズムを提案する。本手法は、標準的な圧縮センシング手法と比較して、低い訓練オーバーヘッドと高い推定精度を達成し、より高いユーザー容量と優れたパイロットデコンタミネーションを実現する。

ABSTRACT

The problem of wideband massive MIMO channel estimation is considered. Targeting for low complexity algorithms as well as small training overhead, a compressive sensing (CS) approach is pursued. Unfortunately, due to the Kronecker-type sensing (measurement) matrix corresponding to this setup, application of standard CS algorithms and analysis methodology does not apply. By recognizing that the channel possesses a special structure, termed hierarchical sparsity, we propose an efficient algorithm that explicitly takes into account this property. In addition, by extending the standard CS analysis methodology to hierarchical sparse vectors, we provide a rigorous analysis of the algorithm performance in terms of estimation error as well as number of pilot subcarriers required to achieve it. Small training overhead, in turn, means higher number of supported users in a cell and potentially improved pilot decontamination. We believe, that this is the first paper that draws a rigorous connection between the hierarchical framework and Kronecker measurements. Numerical results verify the advantage of employing the proposed approach in this setting instead of standard CS algorithms.

研究の動機と目的

• 広帯域マスティブ MIMO システムにおける低複雑性・低訓練オーバーヘッドなチャネル推定の課題に対処すること。
• マスティブ MIMO におけるクラメール型センシング行列に標準的な圧縮センシングアルゴリズムを適用した場合の制限を克服すること。
• 広帯域マスティブ MIMO チャネルに内在する階層的スパarsity構造を活用して、より効率的な推定アルゴリズムを設計すること。
• 提案フレームワーク下での推定誤差と必要なパイロットオーバーヘッドの厳密な理論的分析を提供すること。
• 従来の CS 方法と比較して、推定精度とユーザー支援能力の面で優れた性能を示すこと。

提案手法

• 広帯域マスティブ MIMO チャネルの構造的スパarsityを捉える階層的スパarsityモデルを導入する。
• チャネルベクトルの階層的構造を明示的に考慮する新しい圧縮センシングアルゴリズムを設計する。
• 標準的な圧縮センシング解析を、階層的スパースベクトルおよびクラメール型測定行列に対応させるように拡張する。
• 階層的構造に基づいて、推定誤差の理論的境界および最小必要パイロットサブキャリア数の導出を行う。
• センシング行列のクラメール積構造を活用して、計算複雑度と訓練オーバーヘッドを低減する。
• 階層的スパarsityパターンを保持する構造的最適化タスクとして推定問題を定式化する。

実験結果

リサーチクエスチョン

• RQ1 広帯域マスティブ MIMO チャネルにおける階層的スパarsityは、どのようにチャネル推定性能の向上に活用できるか？
• RQ2 この文脈において、クラメール型測定行列を扱うために標準的圧縮センシングにどのような修正が必要か？
• RQ3 階層的スパarsity下で、所定の推定誤差を達成するために必要な最小パイロットサブキャリア数は何か？
• RQ4 推定精度と訓練オーバーヘッドの観点から、提案アルゴリズムは標準的 CS 手法とどのように比較できるか？
• RQ5 階層的フレームワークは、クラメールベースのマスティブ MIMO チャネル推定に対して、厳密な性能分析を提供できるか？

主な発見

• 提案された階層的スパースチャネル推定アルゴリズムは、標準的な圧縮センシング手法と比較して、低い推定誤差を達成する。
• アルゴリズムは、チャネルの階層的スパarsity構造を活用することで、訓練オーバーヘッドを顕著に低減する。
• 理論的解析により、必要なパイロットサブキャリア数が階層的構造に伴い有利にスケーリングされることを示す。これにより、より高いユーザー容量が実現可能となる。
• クラメール型測定に対する厳密な性能分析フレームワークを提供する。これは、従来の研究では不足していた分野である。
• 数値結果により、提案手法が推定精度と耐障害性の面で、標準的 CS アルゴリズムを上回ることを確認した。
• フレームワークにより、パイロットデコンタミネーションが向上し、1セル内でより多くのユーザーをサポート可能となった。