[논문 리뷰] Dictionary Learning Based Sparse Channel Representation and Estimation for FDD Massive MIMO Systems

Yacong Ding, Bhaskar D. Rao|arXiv (Cornell University)|2016. 12. 20.

Advanced MIMO Systems Optimization참고 문헌 58인용 수 9

한 줄 요약

이 논문은 FDD 마이크로모멘티브 MIMO 시스템을 위한 사전학습 기반 희박 채널 표현 및 병렬 업링크/다운링크 추정 프레임워크를 제안한다. 셀 특화 채널 측정치를 활용하여 적응형 초과완비 사전을 학습함으로써 희박성과 추정 정확도를 향상시킨다. 업링크 및 다운링크 채널 간의 각도 상호성 특성을 활용하여 다운링크 학습 오버헤드를 크게 감소시키며, 사전 정의된 사전보다 우수한 성능을 달성한다. 특히 안테나 어레이의 불확실성 하에서도 유의미한 성능 향상을 보인다.

ABSTRACT

This paper addresses the problem of uplink and downlink channel estimation in FDD Massive MIMO systems. By utilizing sparse recovery and compressive sensing algorithms, we are able to improve the accuracy of the uplink/downlink channel estimation and reduce the number of uplink/downlink pilot symbols. Such successful channel estimation builds upon the assumption that the channel can be sparsely represented under some basis/dictionary. Previous works model the channel using some predefined basis/dictionary, while in this work, we present a dictionary learning based channel model such that a dictionary is learned from comprehensively collected channel measurements. The learned dictionary adapts specifically to the cell characteristics and promotes a more efficient and robust channel representation, which in turn improves the performance of the channel estimation. Furthermore, we extend the dictionary learning based channel model into a joint uplink/downlink learning framework by observing the reciprocity of the AOA/AOD between the uplink/downlink transmission, and propose a joint channel estimation algorithm that combines the uplink and downlink received training signals to obtain a more accurate channel estimate. In other words, the downlink training overhead, which is a bottleneck in FDD Massive MIMO system, can be reduced by utilizing the information from simpler uplink training.

연구 동기 및 목표

• 채널 희박성을 활용하여 FDD 마이크로모멘티브 MIMO 시스템에서 높은 다운링크 학습 및 피드백 오버헤드 문제를 해결하고자 한다.
• 로컬 전파 환경과 어레이 불확실성에 적응 가능한 데이터 기반 셀 특화 사전 학습 프레임워크를 개발하고자 한다.
• 업링크 및 다운링크 학습 신호를 함께 사용하여 사전을 공동 학습함으로써 업링크 및 다운링크 채널 추정 정확도를 향상시키고자 한다.
• 더 적은 피로터 기반의 희박 복원을 가능하게 하여 전통적 한계 이하의 학습 오버헤드를 달성하고자 한다.
• 실제 불완전성, 예를 들어 안테나 어레이의 정렬 오류 및 비이deal 캘리브레이션을 다룰 수 있도록 프레임워크를 확장하고자 한다.

제안 방법

• 셀 배포 기간 동안 수집한 광범위한 채널 측정치에서 초과완비 사전을 학습하여 셀 특화 전파 특성을 포착한다.
• 학습된 사전을 사용하여 업링크 및 다운링크 채널 추정 문제를 희박 복원 문제로 재구성함으로써, 더 적은 피로터 기반으로도 강건한 재구성 성능을 달성한다.
• 업링크 및 다운링크 간의 각도 상호성 특성을 활용한 공동 사전 학습 프레임워크를 도입하며, 업링크 및 다운링크 채널 계수에 공통된 희박 지지 집합을 가정한다.
• 업링크 및 다운링크 학습 신호를 통합하여 공동 희박 복원을 수행함으로써, 최소한의 추가 업링크 학습으로도 다운링크 추정 정확도를 향상시킨다.
• 베이지안 설정을 적용하여 업링크 및 다운링크 간 희박 지지 집합의 불일치 가능성을 고려함으로써, 비이deal 상호성에 대한 강건성을 향상시킨다.
• 모의 마이크로파 환경을 활용하여 이상적(정확한 캘리브레이션) 및 비이deal(불확실성 존재) 어레이 시나리오에서 방법을 검증한다.

실험 결과

연구 질문

• RQ1 실제 채널 측정치에서 학습된 사전이 FDD 마이크로모멘티브 MIMO에서 DFT와 같은 사전 정의 기반 기반보다 더 높은 희박성과 추정 정확도를 달성할 수 있는가?
• RQ2 업링크 및 다운링크 학습을 함께 사용한 공동 사전 학습이 독립적 추정 대비 다운링크 채널 추정 성능을 얼마나 향상시키는가?
• RQ3 피로터 기호가 제한된 상황에서 업링크 학습과 공동 학습을 활용하여 다운링크 학습 오버헤드를 얼마나 줄일 수 있는가?
• RQ4 안테나 어레이의 불확실성 또는 비이deal 캘리브레이션 하에서 공동 사전 학습 접근법의 강건성은 어느 정도인가?
• RQ5 작은 업링크 및 다운링크 도착각/출발각 불일치와 같은 비이deal 각도 상호성 상황을 다룰 수 있도록 프레임워크를 확장할 수 있는가?

주요 결과

• 다운링크 학습 시간이 짧을수록 공동으로 학습된 사전(JDLCM)이 독립적 사전 학습보다 더 낮은 정규화 평균제곱오차(NMSE)를 달성한다.
• 단지 2개의 업링크 학습 기호만으로도 공동 추정 프레임워크가 다운링크 채널 추정 성능을 크게 향상시켜 다운링크 피로터의 광범위한 필요성을 줄인다.
• 어레이 불확실성 하에서는 JDLCM이 공동 초과완비 DFT 행렬(JODFT)보다 우수한 성능을 보이며, JODFT는 구조적 불일치로 인해 실패한다.
• 안테나 어레이 불확실성이 존재할 경우 JDLCM은 강건한 성능 유지를 유지하지만, JODFT는 성능이 저하되며, 특히 다운링크 학습 길이가 클수록 표준 DFT 행렬보다도 열 劣한다.
• 제안된 방법은 단지 30개의 총 업링크 학습 기호로 6개의 셀 간에 직교 피로터 할당을 가능하게 하여, 최소 제곱법 대신 희박 복원을 사용할 경우 피로터 오염을 제거한다.
• 시뮬레이션 결과는 공동 학습 프레임워크가 기존 방법 대비 추정 정확도를 유지하거나 향상시키면서도 다운링크 학습 오버헤드를 감소시킬 수 있음을 보여준다.