[論文レビュー] Iterative Channel Estimation Using LSE and Sparse Message Passing for MmWave MIMO Systems

Chongwen Huang, Lei Liu+2 more|arXiv (Cornell University)|Nov 17, 2016

Advanced MIMO Systems Optimization参考文献 60被引用数 7

ひとこと要約

本稿では、mmWave MIMOシステムにおける反復的チャネル推定アルゴリズムを提案する。このアルゴリズムは、最小二乗推定（LSE）とスパースメッセージパッシング（SMP）を組み合わせ、チャネルのスパarsityを活用する。SMPを用いて反復的に非ゼロチャネルタップの位置を検出し、LSEでアテネイションを推定することで、わずか5回のターボ反復でCramér-Rao下界（CRLB）に近い性能を達成し、低SNRおよび極めてスパースな状況下で既存のスパース推定器を上回る性能を発揮する。

ABSTRACT

We propose an iterative channel estimation algorithm based on the Least Square Estimation (LSE) and Sparse Message Passing (SMP) algorithm for the Millimeter Wave (mmWave) MIMO systems. The channel coefficients of the mmWave MIMO are approximately modeled as a Bernoulli-Gaussian distribution and the channel matrix is sparse with only a few non-zero entries. By leveraging the advantage of sparseness, we propose an algorithm that iteratively detects the exact locations and values of non-zero entries of the sparse channel matrix. At each iteration, the locations are detected by the SMP, and values are estimated with the LSE. We also analyze the Cramér-Rao Lower Bound (CLRB), and show that the proposed algorithm is a minimum variance unbiased estimator under the assumption that we have the partial priori knowledge of the channel. Furthermore, we employ the Gaussian approximation for message densities under density evolution to simplify the analysis of the algorithm, which provides a simple method to predict the performance of the proposed algorithm. Numerical experiments show that the proposed algorithm has much better performance than the existing sparse estimators, especially when the channel is sparse. In addition, our proposed algorithm converges to the CRLB of the genie-aided estimation of sparse channels with only five turbo iterations.

研究の動機と目的

• mmWave MIMOシステムにおける高いパスロスの課題に、チャネルのスパarsityを活用して効率的な推定を実現すること。
• ハイブリッドアナログ/デジタルアーキテクチャとスパースチャネル特性のため、従来のMIMO推定手法がmmWaveシステムに不適切であるという制限を克服すること。
• 完全なチャネル分布に関する事前知識を必要とせず、非ゼロチャネルタップの位置とアテネイションを同時に低複雑度で反復的に推定するアルゴリズムを設計すること。
• 部分的なスパarsityに関する事前知識のもとで、提案手法が最小分散不偏推定量（MVUE）を達成することを示すこと。
• 密度分散に基づくガウス近似を用いて、アルゴリズムの性能予測フレームワークを構築し、アルゴリズムの解析と設計を可能にすること。

提案手法

• mmWave MIMOチャネルを、ベルヌーイ・ガウス分布に従うスパース信号としてモデル化し、非ゼロ要素が少数であることを仮定する。
• 反復的フレームワークを採用：各反復でSMPによりスパースサポート（非ゼロタップの位置）を検出し、LSEによりこれらのタップのアテネイションを推定する。
• スパarsityパターンの改善を図るために、期待値最大化（EM）アルゴリズムを適用し、反復を重ねて推定精度を向上させる。
• メッセージパッシングのダイナミクスを簡略化し、アルゴリズムの性能予測を可能にするために、密度分散におけるガウス近似を採用する。
• ベイジアン推論とモーメントマッチングを用いて、メッセージの分散および平均推定値の閉形式更新式を導出する。
• LSEおよびLSE-SMPのCramér-Rao下界（CRLB）を解析し、提案手法がジェイン・エイデッドCRLBに近づくことを示す。

実験結果

リサーチクエスチョン

• RQ1 反復的LSEとSMPが、mmWave MIMOシステムにおけるチャネルスパarsityを共同で活用することで、推定精度を向上させることができるか？
• RQ2 提案されたLSE-SMPアルゴリズムは、MSEおよび収束速度の観点で、従来のスパース推定器と比較してどのように異なるか？
• RQ3 このアルゴリズムは、スパースチャネル推定のCramér-Rao下界（CRLB）にどの程度近づくか？
• RQ4 部分的な事前知識が推定量の分散およびバイアスに与える影響は何か？また、アルゴリズムは最小分散不偏推定量の性質を保ち続けるか？
• RQ5 密度分散におけるガウス近似は、反復的LSE-SMPアルゴリズムの性能予測に対して、正確かつ扱いやすい手法を提供できるか？

主な発見

• 提案されたLSE-SMPアルゴリズムは、わずか5回のターボ反復で、ジェイン・エイデッドスパースチャネル推定のCramér-Rao下界（CRLB）に近い性能を達成し、近似的に最適な性能を発揮する。
• 特に低信号対雑音比（SNR）および極めてスパースなチャネル環境下で、既存のスパース推定器を著しく上回る性能を示す。
• 理論的解析により、LSE-SMP推定量が、チャネルスパarsity構造に関する部分的な事前知識のもとで、最小分散不偏推定量（MVUE）であることが確認された。
• 密度分散におけるガウス近似の活用により、反復的アルゴリズムの性能予測が正確かつ計算効率が良くなる。
• LSE-SMPアルゴリズムのCRLB（$\mathbf{CRLB_{LSE-SMP}}$）は、標準LSEのCRLB（$\mathbf{CRLB_{LSE}}$）よりも厳密に低く、スパarsityの活用による利点を示している。
• 数値結果により、アルゴリズムがさまざまなスパarsityレベルおよびSNR領域においても、安定した性能を維持することが検証され、mmWave MIMOシステムへの実用的妥当性が裏付けられた。