[논문 리뷰] Channel Estimation for Wireless Communication Systems Assisted by Large Intelligent Surfaces

Junliang Lin, Gongpu Wang외 3명|arXiv (Cornell University)|2019. 11. 06.

Advanced Wireless Communication Technologies참고 문헌 2인용 수 43

한 줄 요약

요지: 논문은 LIS 보조 채널 추정을 제약된 최적화 문제로 공식화하고, 라그랑주 승수-듀얼 어센스 스킴을 제안하여 닫힌 형식의 반복 추정기를 얻고, 성능 벤치마크를 위한 CRLB를 제시한다. DES는 특히 낮은 SNR에서 LS보다 추정 정확도를 향상시킨다.

ABSTRACT

In this letter, the channel estimation problem is studied for wireless communication systems assisted by large intelligent surface. Due to features of assistant channel, channel estimation (CE) problem for the investigated system is shown as a constrained estimation error minimization problem, which differs from traditional CE problems. A Lagrange multiplier and dual ascent-based estimation scheme is then designed to obtain a closed-form solution for the estimator iteratively. Moreover, the Cramer-Rao lower bounds are deduced for performance evaluation. Simulation results show that the designed scheme could improve estimation accuracy up to 18%, compared with least square method in low signal-to-noise ratio regime.

연구 동기 및 목표

• LIS 보조 무선 시스템에서의 채널 추정에 대한 동기부여 및 모델링.
• 보조 채널 특징(hat)들을 반영한 CE를 제약 최적화 문제로 형식화.
• 닫힌 형식 업데이트를 갖는 라그랑주 승수–듀얼 어센서(estimator) 개발.
• 추정기 성능의 벤치마킹을 위한 크래머-러오 하한(CRLB) 도출.
• 특히 낮은 SNR에서 제시된 추정기가 LS보다 얻는 이득 시연.

제안 방법

• 직접 기지국-사용자 간의 수신 신호, LIS 보조 신호, 데이터/잡음 항을 포함하도록 수신 신호를 모델링.
• 제약 조건 η>0 및 η>|h|를 반영하여 h 및 η의 2-매개변수 추정으로 CE를 변환.
• 제약을 볼록 형태로 완화하고 라그랑주 듀얼 어센스 방법을 적용하여 { x̂* = (A^H A + C δ*)^{-1}(A^H y − b λ*)} 및 λ, δ의 반복 업데이트를 얻음.
• 실수 벡터 z = [Re(h), Im(h), η]^T와 피셔 정보 행렬을 이용해 CRLB를 도출.
• 설계된 추정기(DES)와 LS 및 CRLB를 비교하는 수치 결과를 제시.

실험 결과

연구 질문

• RQ1 보조 채널(η)의 특성이 LIS 보조 시스템의 CE 문제에 어떤 영향을 주는가?
• RQ2 제약 최적화 프레임워크가 LIS 보조 채널 매개변수 h와 η에 대해 닫힌 형식의 반복 추정기를 제공할 수 있는가?
• RQ3 이 설정에서 h와 η를 추정하기 위한 기본 성능 한계(CRLB)는 무엇인가?
• RQ4 DES는 SNR 구간에서 MSE 측면에서 기존 LS와 비교하여 어떤 차이가 있는가?
• RQ5 제안된 듀얼 어센스 알고리즘의 수렴 동작은 어떤가?

주요 결과

• DES는 낮은 SNR 구간에서 LS에 비해 Re(h), Im(h), η 추정에 대해 최대 18%의 MSE 개선을 달성한다.
• CRLB 분석은 SNR이 증가함에 따라 DES 성능이 근본 한계에 접근하고 MSE 차이가 감소함을 시사한다.
• DES는 빠르게 수렴하며 Lagrange 승수 λ와 δ가 대략 10–16회의 반복 후에 안정화된다.
• DES의 이득은 낮은 SNR에서 가장 두드러지며 채널 구성 요소의 추정에서 상당한 비율 개선을 보인다.
• 구성 요소별로 이득이 다르게 나타나며 0 dB에서 Re(h)에서 더 큰 이득, 그다음으로 Im(h)와 η에서 이득이 나타난다.
• 결과는 제약 추정식과 듀얼 어센스 솔루션의 효과를 확인한다.