[논문 리뷰] Beamspace Channel Estimation in mmWave Systems via Cosparse Image Reconstruction Technique

Jie Yang, Chao-Kai Wen외 2명|arXiv (Cornell University)|2017. 07. 28.

Millimeter-Wave Propagation and Modeling참고 문헌 34인용 수 5

한 줄 요약

이 논문은 3D 렌즈 안테나 어레이 mmWave 시스템을 위한 새로운 빔스페이스 채널 추정 기법을 제안한다. SCAMPI 알고리즘을 사용하며, EM 학습을 통한 가우시안 믹스처 확률 모델링으로 개선된 기법이다. 빔스페이스 채널의 희소성과 부드러움을 2차원 이미지로 간주함으로써, OMP 및 서포트 검출 기법보다 더 높은 정확도와 더 빠른 수렴 속도를 달성하며, 10%의 프래즈 슈프터 감소에 대해서도 강인성을 유지하고, 균일한 사전 모델보다 성능 향상을 이룬다.

ABSTRACT

This paper considers the beamspace channel estimation problem in 3D lens antenna array under a millimeter-wave communication system. We analyze the focusing capability of the 3D lens antenna array and the sparsity of the beamspace channel response matrix. Considering the analysis, we observe that the channel matrix can be treated as a 2D natural image; that is, the channel is sparse, and the changes between adjacent elements are subtle. Thus, for the channel estimation, we incorporate an image reconstruction technique called sparse non-informative parameter estimator-based cosparse analysis AMP for imaging (SCAMPI) algorithm. The SCAMPI algorithm is faster and more accurate than earlier algorithms such as orthogonal matching pursuit and support detection algorithms. To further improve the SCAMPI algorithm, we model the channel distribution as a generic Gaussian mixture (GM) probability and embed the expectation maximization learning algorithm into the SCAMPI algorithm to learn the parameters in the GM probability. We show that the GM probability outperforms the common uniform distribution used in image reconstruction. We also propose a phase-shifter-reduced selection network structure to decrease the power consumption of the system and prove that the SCAMPI algorithm is robust even if the number of phase shifters is reduced by 10%.

연구 동기 및 목표

• 큰 안테나 어레이를 갖는 mmWave 시스템에서 높은 하드웨어 복잡도와 학습 오버헤드 문제를 해결하기 위해.
• 3D 렌즈 안테나 어레이의 에너지 집중 능력과 빔스페이스 채널의 희소성을 활용하여 효율적인 추정을 수행하기 위해.
• OMP 및 서포트 검출과 같은 기존 압축 감지 알고리즘의 성능을 향상시키기 위해 채널 분포를 가우시안 믹스처(GM) 사전 모델로 모델링하기 위해.
• 프래즈 슈프터 감소 선택 네트워크를 제안하여 시스템 전력 소비를 줄이기 위해.
• 실제 하드웨어 제약 조건, 예를 들어 감소된 RF 체인 및 프래즈 슈프터 수에 대비한 강인성과 성능 향상을 입증하기 위해.

제안 방법

• 빔스페이스 채널 행렬을 희소하고 부드럽게 변화하는 요소를 가진 2차원 자연 이미지로 모델링하여, 이미지 복원 기법을 적용할 수 있도록 한다.
• 희소 비정보적 파rameter 추정 기반의 SCAMPI 알고리즘을 도입하여 빠르고 정확한 채널 복원을 수행한다.
• 채널 분포를 표현하기 위해 가우시안 믹스처(GM) 확률 모델을 도입하여 일반적으로 사용되는 균일한 사전 모델을 대체한다.
• EM 학습 알고리즘을 SCAMPI에 통합하여 반복적으로 GM 파rameter(λ, a, v)를 추정함으로써 복원 정확도를 향상시킨다.
• 성능 유지를 유지하면서도 전력 소비를 줄이기 위해 프래즈 슈프터 감소 선택 네트워크를 제안한다.
• 후행 확률의 반복적 업데이트와 EM을 통한 파rameter 추정을 통해 알고리즘을 검증하며, λ, a, v에 대해 폐쇄형 해를 제공한다.

실험 결과

연구 질문

• RQ1 SCAMPI 알고리즘에 GM-EM 학습을 적용했을 때, 기존의 압축 감지 방법인 OMP 및 서포트 검출보다 빔스페이스 mmWave 채널 추정에서 성능이 뛰어나게 되는가?
• RQ2 가우시안 믹스처 사전 모델을 사용할 경우, 균일한 사전 모델 대비 채널 추정 정확도는 얼마나 향상되는가?
• RQ3 채널 추정 성능에 영향을 주지 않으면서 프래즈 슈프터의 수를 얼마나 줄일 수 있는가?
• RQ4 빔스페이스 채널 행렬을 2차원 자연 이미지로 간주하는 이미지 복원 관점이 더 빠르고 정확한 복원을 가능하게 하는가?
• RQ5 mmWave 경로의 부드러움과 군집 특성을 추정 프레임워크에 통합했을 때의 영향은 무엇인가?

주요 결과

• 제안된 SCAMPI 알고리즘에 GM-EM 학습을 적용한 결과, OMP 및 서포트 검출 알고리즘보다 더 높은 추정 정확도와 더 빠른 수렴 속도를 확보하였다.
• 가우시안 믹스처 사전 모델을 사용할 경우, 복원 정확도와 강인성 측면에서 균일한 사전 모델보다 뚜렷한 성능 향상을 보였다.
• 프래즈 슈프터 수가 10% 감소한 상황에서도 알고리즘이 강인하게 유지되어 실제 하드웨어 적용 가능성에 유리하다.
• 프래즈 슈프터 감소 선택 네트워크가 성능 손실 없이 시스템 전력 소비를 효과적으로 줄였다.
• GM 모델의 EM 기반 파rameter 학습은 적응형이고 데이터 기반의 추정을 가능하게 하여 수렴 속도와 정확도를 향상시켰다.
• 빔스페이스 채널 행렬의 본질적 희소성과 부드러움이 2차원 이미지로 간주됨으로써 효과적으로 활용되어 고성능 복원을 실현하였다.