[논문 리뷰] Hierarchical Sparse Channel Estimation for Massive MIMO.

Gerhard Wunder, Ingo Roth외 5명|arXiv (Cornell University)|2018. 01. 01.

Advanced MIMO Systems Optimization인용 수 7

한 줄 요약

이 논문은 압축 측정 기반으로 광대역 대량 MIMO 시스템을 위한 계층적 희박 채널 추정 알고리즘을 제안하며, 채널의 계층적 희박성 구조를 명시적으로 활용하고, 크로네커 유형 측정 행렬로 압축 측정 이론 분석을 확장한다. 이 방법은 표준 압축 측정 기반 접근 방식에 비해 낮은 학습 오버헤드와 향상된 추정 정확도를 달성하여 더 높은 사용자 용량과 더 나은 파ilot 비오염 제거를 가능하게 한다.

ABSTRACT

The problem of wideband massive MIMO channel estimation is considered. Targeting for low complexity algorithms as well as small training overhead, a compressive sensing (CS) approach is pursued. Unfortunately, due to the Kronecker-type sensing (measurement) matrix corresponding to this setup, application of standard CS algorithms and analysis methodology does not apply. By recognizing that the channel possesses a special structure, termed hierarchical sparsity, we propose an efficient algorithm that explicitly takes into account this property. In addition, by extending the standard CS analysis methodology to hierarchical sparse vectors, we provide a rigorous analysis of the algorithm performance in terms of estimation error as well as number of pilot subcarriers required to achieve it. Small training overhead, in turn, means higher number of supported users in a cell and potentially improved pilot decontamination. We believe, that this is the first paper that draws a rigorous connection between the hierarchical framework and Kronecker measurements. Numerical results verify the advantage of employing the proposed approach in this setting instead of standard CS algorithms.

연구 동기 및 목표

• 광대역 대량 MIMO 시스템에서 저복잡도이자 저학습 오버헤드 채널 추정의 과제를 해결한다.
• 대량 MIMO에서 크로네커 유형 측정 행렬에 적용할 때 표준 압축 측정 알고리즘의 한계를 극복한다.
• 광대역 대량 MIMO 채널에 내재된 계층적 희박성 구조를 활용하여 보다 효율적인 추정 알고리즘을 설계한다.
• 제안된 프레임워크 하에서 추정 오차와 필수 파ilot 오버헤드에 대한 엄밀한 이론적 분석을 제공한다.
• 기존의 CS 방법에 비해 추정 정확도와 사용자 지원 측면에서 향상된 성능을 보여준다.

제안 방법

• 광대역 대량 MIMO 채널의 구조적 희박성을 반영하는 계층적 희박성 모델을 도입한다.
• 채널 벡터의 계층적 구조를 명시적으로 고려하는 새로운 압축 측정 알고리즘을 설계한다.
• 표준 압축 측정 이론 분석을 계층적 희박 벡터와 크로네커 유형 측정 행렬을 다룰 수 있도록 확장한다.
• 계층적 구조에 기반하여 추정 오차의 이론적 한계와 최소한의 파ilot 서브대역 수를 유도한다.
• 측정 행렬의 크로네커 곱 구조를 활용하여 계산 복잡도와 학습 오버헤드를 감소시킨다.
• 계층적 희박성 패턴을 유지하는 구조적 최적화 문제로 추정 문제를 수식화한다.

실험 결과

연구 질문

• RQ1 광대역 대량 MIMO 채널의 계층적 희박성은 어떻게 활용하여 채널 추정 성능을 향상시킬 수 있는가?
• RQ2 이 맥락에서 크로네커 유형 측정 행렬을 다루기 위해 표준 압축 측정에 어떤 수정이 필요한가?
• RQ3 계층적 희박성 하에서 주어진 추정 오차를 달성하기 위해 필요한 최소 파ilot 서브대역 수는 얼마인가?
• RQ4 제안된 알고리즘은 표준 CS 방법에 비해 추정 정확도와 학습 오버헤드 측면에서 어떻게 비교되는가?
• RQ5 계층적 프레임워크는 크로네커 기반 대량 MIMO 채널 추정에 대해 엄밀한 성능 분석을 제공할 수 있는가?

주요 결과

• 제안된 계층적 희박 채널 추정 알고리즘은 표준 압축 측정 기반 방법에 비해 낮은 추정 오차를 달성한다.
• 채널의 계층적 희박성 구조를 활용함으로써 알고리즘이 학습 오버헤드를 크게 감소시킨다.
• 이론적 분석 결과, 필요한 파ilot 서브대역 수가 계층적 구조에 따라 유리하게 스케일링됨을 보여주어 더 높은 사용자 용량을 가능하게 한다.
• 기존에 부족했던 크로네커 유형 측정을 위한 엄밀한 성능 분석 프레임워크를 제공한다.
• 수치적 결과는 제안된 방법이 추정 정확도와 강인성 측면에서 표준 CS 알고리즘보다 뛰어나다는 것을 확인한다.
• 이 프레임워크는 향상된 파ilot 비오염 제거를 가능하게 하여 단일 셀 내에서 더 많은 사용자를 지원할 수 있도록 한다.