[논문 리뷰] Deep Residual Network Empowered Channel Estimation for IRS-Assisted Multi-User Communication Systems

Chang Liu, Xuemeng Liu외 2명|arXiv (Cornell University)|2020. 12. 01.

Advanced Wireless Communication Technologies참고 문헌 26인용 수 4

한 줄 요약

이 논문은 IRS-보조 다중 사용자 시스템에서 채널 추정을 위해 CNN 기반 딥 리텐셔널 네트워크(CDRN)를 제안하며, 노이즈가 있는 피LOT 관측치에서 채널 계수를 복구하기 위해 추정을 노이즈 제거 문제로 모델링한다. 이 방법은 채널 분포 지식이 필요 없이 이상적인 MMSE 추정기 수준의 near-optimal 성능를 달성하며, 정확도와 내성 면에서 기존의 LS 및 LMMSE 방법보다 뛰어나다.

ABSTRACT

Channel estimation is of great importance in realizing practical intelligent reflecting surface-assisted multi-user communication (IRS-MC) systems. However, different from traditional communication systems, an IRS-MC system generally involves a cascaded channel with a sophisticated statistical distribution, which hinders the implementations of the Bayesian estimators. To further improve the channel estimation performance, in this paper, we model the channel estimation as a denoising problem and adopt a data-driven approach to realize the channel estimation. Specifically, we propose a convolutional neural network (CNN)-based deep residual network (CDRN) to implicitly learn the residual noise for recovering the channel coefficients from the noisy pilot-based observations. In the proposed CDRN, a CNN denoising block equipped with an element-wise subtraction structure is designed to exploit both the spatial features of the noisy channel matrices and the additive nature of the noise simultaneously, which further improves the estimation accuracy. Simulation results demonstrate that the proposed method can almost achieve the same estimation accuracy as that of the optimal minimum mean square error (MMSE) estimator requiring the knowledge of the channel distribution.

연구 동기 및 목표

• 복잡한 캐스케이드 채널 모델로 인해 IRS-보조 다중 사용자 통신 시스템에서 채널 추정 성능이 열 劣하는 문제를 해결하기 위해.
• 고차원적이고 비-Rayleigh 감쇠 캐스케이드 채널에서 전통적인 추정기인 MMSE 및 LMMSE의 높은 계산 비용과 학습 오버헤드 문제를 해결하기 위해.
• 추가 하드웨어나 학습 오버헤드 없이도 정확도를 향상시키는 데이터 기반 비선형 추정 프레임워크를 개발하기 위해.
• 명시적인 채널 분포 지식이 필요 없이도 최적의 MMSE 추정기 수준의 추정 성능를 달성하기 위해.
• 노이즈가 있는 채널 관측치에서 공간적 특성과 노이즈 특성을 효과적으로 학습할 수 있는 딥 리텐셔널 네트워크 아키텍처를 설계하기 위해.

제안 방법

• 채널 추정 문제를 노이즈 제거 작업으로 모델링하여, 노이즈가 있는 피LOT 기반 관측치에서 진짜 채널 행렬을 복원하는 것을 목표로 한다.
• 요소별 뺄셈 구조를 사용해 잔차 노이즈를 학습하는 CNN 기반 노이즈 제거 블록을 갖춘 컨volutional 디노이징 리텐셔널 네트워크(CDRN)를 제안한다.
• 딥 리텐셔널 네트워크(DRN) 프레임워크에 CNN 노이즈 제거 블록을 통합하여 계층적 특징 학습과 향상된 노이즈 억제를 가능하게 한다.
• 실제적인 IRS-MC 시스템 모델에서 유도된 60,000개의 합성 학습 예제를 사용해 CDRN을 엔드 투 엔드로 훈련한다. 이 모델은 경로 손실, Rician 감쇠, Rayleigh 감쇠 성분을 포함한다.
• 최소 평균 제곱 오차 기준에 기반한 CDRN-MMSE 추정기를 유도하여, 네트워크가 추정 오차를 최소화하도록 최적화한다.
• 각 잔차 블록이 점진적으로 노이즈 분산을 줄이는 다단계 노이즈 제거 메커니즘을 사용하며, 출력 특징 맵에서 이를 시각화한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 접근법이 채널 분포 지식 없이도 IRS-보조 다중 사용자 시스템에서 near-optimal 채널 추정 성능를 달성할 수 있는가?
• RQ2 CNN 기반 노이즈 제거 블록을 갖춘 잔차 학습 아키텍처는 LS 및 LMMSE와 같은 선형 추정기 대비 정확도를 어떻게 향상시키는가?
• RQ3 데이터 기반 CDRN 모델은 복잡한 통계적 성질을 가진 고차원 캐스케이드 채널 행렬에서 노이즈를 얼마나 효과적으로 억제할 수 있는가?
• RQ4 기존의 딥 러닝 기반 또는 피LOT 기반 방법 대비 제안된 CDRN 방법은 학습 오버헤드를 줄이면서도 높은 추정 정확도를 유지하는가?
• RQ5 CDRN 아키텍처의 계층적 노이즈 제거 과정이 중간 출력의 시각화를 통해 최종 추정 품질에 어떻게 기여하는가?

주요 결과

• 제안된 CDRN 방법은 채널의 확률 밀도 함수를 완전히 알고 있는 이상적인 MMSE 추정기와 거의 구분할 수 없을 정도의 추정 성능를 달성한다.
• CDRN은 특히 저SNR 환경에서 기존의 LS 및 LMMSE 추정기보다 뛰어난 성능를 보이며, 공간 채널 특성의 비선형 모델링 덕분이다.
• 이진 반사 제어 LMMSE(B-LMMSE) 방법은 단일 요소 활성화로 인한 낮은 수신 SNR로 인해 성능이 열 劣하여, 향상된 학습 전략의 필요성을 확인한다.
• CDRN의 중간 출력을 시각화한 결과, 각 잔차 블록을 거치며 점진적인 노이즈 감소가 이루어지며, 노이즈 픽셀이 점점 더 흩어지고 국소화됨을 확인할 수 있다.
• CDRN의 성능는 특히 Rayleigh 감쇠 모델을 따르는 사용자-IRS 링크(d_k)에 대해 이론적 MMSE 한계에 가까이 도달한다.
• 모의 실험은 100,000회의 몬테카를로 실현을 평균 내어 통계적 신뢰성을 확보하였으며, 다양한 SNR 수준에서 높은 정확도를 유지한다.