[論文レビュー] Sparse Channel Estimation and Hybrid Precoding Using Deep Learning for Millimeter Wave Massive MIMO

Wenyan Ma, Chenhao Qi+2 more|arXiv (Cornell University)|Feb 15, 2020

Millimeter-Wave Propagation and Modeling参考文献 25被引用数 9

ひとこと要約

本稿では、mmWave massive MIMOシステムにおける深層学習ベースのスパースチャネル推定（DLCS）およびハイブリッド precoding（DLQP）フレームワークを提案する。事前に学習されたニューラルネットワークを用いて、主なビームスペースチャネルエントリおよび量子化された位相シフトを予測することで、従来のOMP、DGMP、QALS方式よりも優れたノーマライズド平均二乗誤差（NMSE）とスペクトル効率を達成する。特に、低分解能位相シフタと限られた訓練パイロットを用いた場合に顕著な性能向上を示す。

ABSTRACT

Channel estimation and hybrid precoding are considered for multi-user millimeter wave massive multi-input multi-output system. A deep learning compressed sensing (DLCS) channel estimation scheme is proposed. The channel estimation neural network for the DLCS scheme is trained offline using simulated environments to predict the beamspace channel amplitude. Then the channel is reconstructed based on the obtained indices of dominant beamspace channel entries. A deep learning quantized phase (DLQP) hybrid precoder design method is developed after channel estimation. The training hybrid precoding neural network for the DLQP method is obtained offline considering the approximate phase quantization. Then the deployment hybrid precoding neural network (DHPNN) is obtained by replacing the approximate phase quantization with ideal phase quantization and the output of the DHPNN is the analog precoding vector. Finally, the analog precoding matrix is obtained by stacking the analog precoding vectors and the digital precoding matrix is calculated by zero-forcing. Simulation results demonstrate that the DLCS channel estimation scheme outperforms the existing schemes in terms of the normalized mean-squared error and the spectral efficiency, while the DLQP hybrid precoder design method has better spectral efficiency performance than other methods with low phase shifter resolution.

研究の動機と目的

• mmWave massive MIMOにおける従来の圧縮センシングベースのチャネル推定の高コストな訓練オーバーヘッドと、最適でない性能を解決する。
• OMP や DGMP などのグリーディで逐次的なスパース回復手法に見られる、グローバル最適性の欠如という制限を克服する。
• 高分解能ハードウェアや全探索を必要とせず、低分解能位相シフタに適応可能なハイブリッド precoder を設計する。
• シミュレートされたデータから深層学習を用いて最適なアナログおよびデジタル precoding を学習し、マルチユーザー mmWave システムにおける高スペクトル効率を実現する。
• 固定コードブックの代わりに学習された量子化位相表現を採用することで、ビームアライメントの計算複雑性を低減し、耐障害性を向上させる。

提案手法

• シミュレートされた mmWave チャネルを用いて、事前に学習された深層ニューラルネットワーク（DLCS）を用い、主なビームスペースチャネルエントリのインデックスとアンプリチュードを予測する。
• mmWave チャネルのビームスペースドメインにおけるスパarsityを活用し、予測されたアンプリチュードと既知のビームインデックスを組み合わせることで、完全なチャネルを再構築する。
• ハードウェア制限のある位相シフタ解像度を考慮したアナログ precoding ベクトルを学習するための深層学習量子化位相（DLQP）ネットワークを設計する。
• 実際のハードウェア制約を模倣するために、近似された位相量子化を用いて DLQP ネットワークを学習し、その後、理想化された位相量子化を用いて最終的なアナログ precoder を生成する。
• 推定されたチャネルと DHPNN 出力のアナログ precoder を用いて、ゼロフォーシングによりデジタル precoder を構築する。
• スティーリングベクトルの辞書行列を用いて、角度ドメインのパスをビームスペースにマッピングし、チャネルのスパース表現を可能にする。

実験結果

リサーチクエスチョン

• RQ1 シミュレートされたデータで学習された深層学習モデルは、従来の圧縮センシング手法（OMP や DGMP）と比較して、より少ないパイロットオーバーヘッドで mmWave チャネル推定において優れた性能を示せるか？
• RQ2 提案された DLCS 方式は、既存のスパース回復技術と比較して、NMSE およびスペクトル効率の観点でどの程度の性能を示すか？
• RQ3 量子化された位相シフトを用いた学習されたハイブリッド precoder の設計は、特に低分解能位相シフタ制約下でも、従来の方法よりも高いスペクトル効率を達成できるか？
• RQ4 DLCS 方式が近似的に最適なチャネル推定性能を達成するための最小の訓練パイロット数はいくつか？
• RQ5 DLQP 方式は、位相シフタのビット数が減少しても、全探索法や DFT ベースコードブック法を上回る高いスペクトル効率を維持できるか？

主な発見

• J=7 の場合、DLCS 方式は、同じパイロットオーバーヘッド下で OMP より 8.3%、DGMP より 2.6% のスペクトル効率向上を達成する。
• K=7 の訓練時隙間にて、DLCS 方式は NMSE において OMP より 56.1%、DGMP より 85.2% の改善を示し、優れたチャネル推定精度を実証する。
• DLCS 方式は、K=8 の訓練時隙きで完全なチャネル状態情報（CSI）を取得でき、K=8 が最適性能を達成するのに十分であることを示している。
• 10 dB SNR における DLQP 方式は、Exhaustion 法に対して 62.0%、QALS（Q=16）法に対して 86.5% のスペクトル効率向上を達成する。
• K=7 の訓練時隙きにおいて、DLQP 方式は Exhaustion 法に対して 51.0%、QALS（Q=16）法に対して 71.0% のスペクトル効率向上を達成する。
• DLQP 方式は、低分解能位相シフタでも高い性能を維持でき、Q=64 の QALS よりも優れた性能を示しており、ハードウェア制約に対して高い耐障害性を示している。