[論文レビュー] Knowledge-Aided Deep Learning for Beamspace Channel Estimation in Millimeter-Wave Massive MIMO Systems

Xiuhong Wei, Chen Hu+1 more|arXiv (Cornell University)|Oct 28, 2019

Millimeter-Wave Propagation and Modeling参考文献 45被引用数 11

ひとこと要約

本稿では、ミリ波大規模MIMOシステムにおけるビームスペースチャネル推定のための知識支援型ディープラーニングフレームワーク、GM-LAMPを提案する。ビームスペースチャネル係数にガウス・ミックスチャネル分布を仮定することで、特化したスhrinkage関数を設計し、学習された近似メッセージパッシング（LAMP）ネットワークを強化することで、従来手法よりも低いパイロットオーバヘッドで高い推定精度を達成する。

ABSTRACT

Millimeter-wave massive multiple-input multiple-output (MIMO) can use a lens antenna array to considerably reduce the number of radio frequency (RF) chains, but channel estimation is challenging due to the number of RF chains is much smaller than the number of antennas. To address this challenge, we propose a beamspace channel estimation scheme based on deep learning (DL) in this paper. Specifically, the beamspace channel estimation problem can be formulated as a sparse signal recovery problem, which can be solved by the classical iterative algorithm named approximate message passing (AMP), and its corresponding version learned AMP (LAMP) realized by a deep neural network (DNN). Then, by exploiting the Gaussian mixture prior distribution of the beamspace channel elements, we derive a new shrinkage function to refine the classical AMP algorithm. Finally, by replacing the activation function in the conventional DNN with the derived Gaussian mixture shrinkage function, we propose a complex-valued Gaussian mixture LAMP (GM-LAMP) network specialized for estimating the beamspace channel. The simulation results show that, compared with the existing LAMP network and other conventional channel estimation schemes, the proposed GM-LAMP network considering the channel knowledge can improve the channel estimation accuracy with a low pilot overhead.

研究の動機と目的

• RFチェーン数が少ないミリ波大規模MIMOシステムにおけるビームスペースチャネル推定のパイロットオーバヘッドの低減と推定精度の向上に向けた課題に取り組む。
• 従来のスパース回復アルゴリズムおよび標準LAMPネットワークの、複雑なビームスペースチャネル統計をモデル化する際の限界を克服する。
• ビームスペースチャネル係数のガウス・ミックスチャネル分布という事前知識を活用し、チャネル推定性能の向上を図る。
• ドメイン固有の信号処理知識を統合した複素数値の深層ニューラルネットワークアーキテクチャを設計し、より高いロバスト性と精度を実現する。
• 従来のLAMPおよび従来のチャネル推定方式と比較して、推定精度およびパイロット効率の点で優れた性能を示す。

提案手法

• ビームスペースチャネル係数の統計的分布をモデル化するため、ガウス・ミックスチャネル分布を用いてスパース信号回復問題としてビームスペースチャネル推定を定式化する。
• ガウス・ミックスチャネル分布に基づく新しいスhrinkage関数を導出することで、古典的近似メッセージパッシング（AMP）アルゴリズムの収束性と精度を向上させる。
• 標準的な活性化関数を、導出されたガウス・ミックススhrinkage関数に置き換えることで、複素数値のGM-LAMPネットワークを構築する。
• mmWaveビームスペースチャネルの統計的特性を反映した合成データを用いて、GM-LAMPネットワークをエンドツーエンドで訓練する。
• ネットワークアーキテクチャにドメイン固有の知識を統合することで、一般化性能を向上させ、大規模なトレーニングデータセットへの依存を低減する。
• 深層ニューラルネットワークを用いてAMPの反復的スhrinkageプロセスを学習させることで、古典的手法よりも高速かつ高精度なチャネル推定を実現する。

実験結果

リサーチクエスチョン

• RQ1 ビームスペースチャネル係数のガウス・ミックス分布という事前知識を、ディープラーニングベースのチャネル推定に効果的に統合する方法は何か？
• RQ2 カスタムスhrinkage関数を備えた学習されたAMPネットワークは、標準LAMPおよび従来のチャネル推定手法を上回る性能を示せるか？
• RQ3 提案されたGM-LAMPネットワークは、推定精度を維持または向上させながら、どの程度パイロットオーバヘッドを低減できるか？
• RQ4 信号処理の事前知識をニューラルネットワークアーキテクチャに統合することで、チャネル推定器の一般化性能およびロバスト性にどのような影響を与えるか？
• RQ5 最新の最先端手法と比較して、GM-LAMPネットワークの推定精度および収束速度の向上はどの程度か？

主な発見

• 提案されたGM-LAMPネットワークは、従来のLAMPネットワークおよび他の古典的手法よりも高いチャネル推定精度を達成する。
• スhrinkage関数にガウス・ミックス事前分布を統合することで、ビームスペースチャネル推定における学習されたAMPアルゴリズムの性能が顕著に向上する。
• GM-LAMPネットワークは、高い推定精度を維持しながらパイロットオーバヘッドを低減するため、実用的なmmWave大規模MIMOシステムに適している。
• ドメインに適したスhrinkage関数の設計により、標準LAMPに比べて収束性とロバスト性が向上している。
• シミュレーション結果から、低パイロットオーバヘッド条件下でも、知識支援型ディープラーニングフレームワークが従来手法を上回ることを確認した。
• 複素数値のGM-LAMPネットワークは、mmWaveビームスペースチャネルの統計的構造を効果的にモデル化し、スパース信号回復タスクにおいて優れた性能を発揮する。