[論文レビュー] Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave Systems

Shaocheng Huang, Yu Ye+1 more|arXiv (Cornell University)|Apr 16, 2020

Full-Duplex Wireless Communications参考文献 38被引用数 9

ひとこと要約

本稿では、従来の最適化ベースのHBF手法の限界を克服するため、学習ベースのハイブリッドビームフォーミング（HBF）スキーム—ELM-HBFおよびCNN-HBF—を、全二重モードミリ波システムに提案する。ADMMベースの自己干渉キャンセレーションとMMベースの共同ビームフォーミング最適化を組み合わせることで、学習モデルはOMPよりも22.1%高いスペクトル効率と、600倍速いELM-HBFの学習速度（CNN-HBFと比較）を達成する。

ABSTRACT

Millimeter Wave (mmWave) communications with full-duplex (FD) have the potential of increasing the spectral efficiency, relative to those with half-duplex. However, the residual self-interference (SI) from FD and high pathloss inherent to mmWave signals may degrade the system performance. Meanwhile, hybrid beamforming (HBF) is an efficient technology to enhance the channel gain and mitigate interference with reasonable complexity. However, conventional HBF approaches for FD mmWave systems are based on optimization processes, which are either too complex or strongly rely on the quality of channel state information (CSI). We propose two learning schemes to design HBF for FD mmWave systems, i.e., extreme learning machine based HBF (ELM-HBF) and convolutional neural networks based HBF (CNN-HBF). Specifically, we first propose an alternating direction method of multipliers (ADMM) based algorithm to achieve SI cancellation beamforming, and then use a majorization-minimization (MM) based algorithm for joint transmitting and receiving HBF optimization. To train the learning networks, we simulate noisy channels as input, and select the hybrid beamformers calculated by proposed algorithms as targets. Results show that both learning based schemes can provide more robust HBF performance and achieve at least 22.1% higher spectral efficiency compared to orthogonal matching pursuit (OMP) algorithms. Besides, the online prediction time of proposed learning based schemes is almost 20 times faster than the OMP scheme. Furthermore, the training time of ELM-HBF is about 600 times faster than that of CNN-HBF with 64 transmitting and receiving antennas.

研究の動機と目的

• 視線（LoS）および非視線（NLoS）の残留自己干渉（SI）と高い経路損失によって引き起こされる全二重モードmmWaveシステムの性能劣化を是正する。
• FD mmWaveシステムにおける従来の最適化ベースのハイブリッドビームフォーミング（HBF）の高い計算複雑性とCSI依存性を克服する。
• 不完全なチャネル状態情報（CSI）下でも高いスペクトル効率を維持できる、ロバストで低複雑度のHBFソリューションを設計する。
• ノイズや不完全なチャネル条件に強く、一般化性能の高い学習ベースのHBFフレームワークを開発する。
• 最小限の学習オーバーヘッドでリアルタイムのビームフォーミング予測を実現し、従来のOMPベースのHBFを上回る性能を達成する。

提案手法

• ADMMベースのアルゴリズムを提案し、自己干渉キャンセレーションビームフォーマーを設計することで、mmWave FDシステムにおける視線および非視線のSIを効果的に抑制する。
• 主成分最小化（MM）アルゴリズムを考案し、ハイブリッドビームフォーミング構造におけるデジタルおよびアナログプレフィッカーとコンビーダーを共同最適化する。
• ADMM-MMアルゴリズムによって生成されたノイズのあるチャネル入力とビームフォーマー（教師データ）を用いて、極端な学習機械（ELM）および畳み込みニューラルネットワーク（CNN）モデルを学習する。
• ADMM-MMフレームワークをサーヴィスとして活用し、エンドツーエンド学習のためのラベル付きデータを生成することで、学習されたビームフォーマーが物理的に実現可能かつ性能最適化されていることを保証する。
• CSIから最適なハイブリッドビームフォーマーへのマッピングを実現するELM-HBFおよびCNN-HBFネットワークを設計し、最小限の推論遅延を実現する。
• ノイズや不完全なCSIで学習することでロバスト性を確保し、実世界のチャネル推定誤差に対しても一般化性能を発揮できるようにする。

実験結果

リサーチクエスチョン

• RQ1 不完全なCSI下でも、学習ベースのHBFスキームは、従来のOMPベースの最適化と比較してスペクトル効率で優れているか？
• RQ2 提案された学習ベースのHBFは、従来のOMPベースのHBFと比較して、オンライン予測速度と学習効率の面でどのように差をつけるか？
• RQ3 ELM-HBFおよびCNN-HBFは、性能劣化を伴わず、ノイズや不完全なチャネル状態情報にどの程度一般化できるか？
• RQ4 全二重モードmmWaveシステムにおける、自己干渉キャンセレーションとビームフォーミング最適化の統合が、システムのスペクトル効率に及ぼす影響は何か？
• RQ5 提案された学習フレームワークは、反復的最適化手法と比較して、顕著に低い計算複雑度で近似的最適性能を達成できるか？

主な発見

• 提案されたELM-HBFおよびCNN-HBFスキームは、従来のOMPベースのHBFアルゴリズムと比較して、少なくとも22.1%高いスペクトル効率を達成する。
• 学習ベースのスキームのオンライン予測時間は、OMPベースの手法と比較してほぼ20倍速く、リアルタイムのビームフォーミング適応が可能である。
• 64本の送信および受信アンテナを用いた場合、ELM-HBFの学習時間はCNN-HBFと比較して約600倍速く、大規模システムにおいて極めて効率的である。
• ADMM-MMベースのビームフォーミング設計は、視線および非視線の自己干渉を効果的に抑制し、安定した全二重モード運用を可能にする。
• 学習ベースのHBFフレームワークは、ノイズや不完全なCSIに対してロバストであり、チャネル推定誤差が生じても高い性能を維持する。
• 提案されたADMM-MMアルゴリズムの収束性は理論的に証明されており、目的関数が非増加列であり下限で有界であるため、安定した最適化が保証される。