[논문 리뷰] Knowledge-Aided Deep Learning for Beamspace Channel Estimation in Millimeter-Wave Massive MIMO Systems

Xiuhong Wei, Chen Hu외 1명|arXiv (Cornell University)|2019. 10. 28.

Millimeter-Wave Propagation and Modeling참고 문헌 45인용 수 11

한 줄 요약

이 논문은 밀리미터파 대량 MIMO 시스템에서 빔스페이스 채널 추정을 위한 지식 기반 딥러닝 프레임워크인 GM-LAMP를 제안한다. 빔스페이스 채널 계수에 대한 가우시안 믹스처 사전분포를 활용하여 특수화된 수축 함수를 설계함으로써, 기존 방법보다 낮은 파ilot 오버헤드로 더 높은 추정 정확도를 달성하는 학습된 근사 메시지 전달(LAMP) 네트워크를 향상시킨다.

ABSTRACT

Millimeter-wave massive multiple-input multiple-output (MIMO) can use a lens antenna array to considerably reduce the number of radio frequency (RF) chains, but channel estimation is challenging due to the number of RF chains is much smaller than the number of antennas. To address this challenge, we propose a beamspace channel estimation scheme based on deep learning (DL) in this paper. Specifically, the beamspace channel estimation problem can be formulated as a sparse signal recovery problem, which can be solved by the classical iterative algorithm named approximate message passing (AMP), and its corresponding version learned AMP (LAMP) realized by a deep neural network (DNN). Then, by exploiting the Gaussian mixture prior distribution of the beamspace channel elements, we derive a new shrinkage function to refine the classical AMP algorithm. Finally, by replacing the activation function in the conventional DNN with the derived Gaussian mixture shrinkage function, we propose a complex-valued Gaussian mixture LAMP (GM-LAMP) network specialized for estimating the beamspace channel. The simulation results show that, compared with the existing LAMP network and other conventional channel estimation schemes, the proposed GM-LAMP network considering the channel knowledge can improve the channel estimation accuracy with a low pilot overhead.

연구 동기 및 목표

• 감소된 RF 체인 수를 가진 밀리미터파 대량 MIMO 시스템에서 빔스페이스 채널 추정의 파ilot 오버헤드 문제와 낮은 추정 정확도 문제를 해결한다.
• 복잡한 빔스페이스 채널 통계를 모델링하는 데 있어 전통적인 희소 복원 알고리즘과 표준 LAMP 네트워크의 한계를 극복한다.
• 빔스페이스 채널 계수의 가우시안 믹스처 분포에 대한 사전 지식을 활용하여 채널 추정 성능을 향상시킨다.
• 도메인 전문 신호 처리 지식을 통합한 복소수 신경망 아키텍처를 설계하여 더 높은 내성 및 정확도를 확보한다.
• 기존의 LAMP 및 전통적인 채널 추정 기법들과 비교하여 추정 정확도 및 파ilot 효율성 측면에서 뛰어난 성능을 입증한다.

제안 방법

• 빔스페이스 채널 추정 문제를 가우시안 믹스처 사전분포를 활용하여 빔스페이스 채널 계수의 통계적 분포를 모델링함으로써 희소 신호 복원 문제로 재정의한다.
• 기존의 근사 메시지 전달(AMP) 알고리즘의 수렴성과 정확도를 향상시키기 위해 가우시안 믹스처 사전분포 기반의 새로운 수축 함수를 유도한다.
• 기존의 LAMP 네트워크에서 사용하는 표준 활성화 함수를 유도된 가우시안 믹스처 수축 함수로 대체하여 복소수 신경망 아키텍처인 GM-LAMP 네트워크를 구축한다.
• mmWave 빔스페이스 채널의 통계적 특성을 반영한 합성 데이터를 사용하여 GM-LAMP 네트워크를 엔드 투 엔드로 훈련시킨다.
• 네트워크 아키텍처에 도메인 특화 지식을 통합하여 일반화 능력을 향상시키고 대규모 훈련 데이터셋에 대한 의존도를 감소시킨다.
• 딥 뉴럴 네트워크를 활용하여 AMP의 반복적 수축 과정을 학습함으로써, 기존 반복적 방법보다 더 빠르고 정확한 채널 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 빔스페이스 채널 계수의 가우시안 믹스처 분포에 대한 사전 지식을 딥러닝 기반 채널 추정에 효과적으로 통합할 수 있는가?
• RQ2 맞춤형 수축 함수를 갖춘 학습된 AMP 네트워크가 mmWave 대량 MIMO 시스템에서 표준 LAMP 및 전통적인 채널 추정 방법보다 뛰어난 성능을 보일 수 있는가?
• RQ3 제안된 GM-LAMP 네트워크는 추정 정확도를 유지하거나 향상시키면서 얼마나 많은 파ilot 오버헤드를 줄일 수 있는가?
• RQ4 신호 처리 사전 지식을 신경망 아키텍처에 통합함으로써 채널 추정기의 일반화 능력과 내성에 어떤 영향을 미치는가?
• RQ5 기존 최첨단 방법들과 비교했을 때 GM-LAMP 네트워크의 추정 정확도 및 수렴 속도 향상 정도는 어느 정도인가?

주요 결과

• 제안된 GM-LAMP 네트워크는 기존의 LAMP 네트워크 및 기타 전통적인 채널 추정 기법보다 더 높은 채널 추정 정확도를 달성한다.
• 수축 함수에 가우시안 믹스처 사전분포를 통합함으로써 학습된 AMP 알고리즘의 빔스페이스 채널 추정 성능이 크게 향상된다.
• GM-LAMP 네트워크는 높은 추정 정확도를 유지하면서도 파ilot 오버헤드를 줄여 실용적인 mmWave 대량 MIMO 시스템에 적합하다.
• 도메인 인식 설계된 수축 함수 덕분에 표준 LAMP 대비 더 높은 수렴성과 내성 확보를 보였다.
• 시뮬레이션 결과는 지식 기반 딥러닝 프레임워크가 낮은 파ilot 오버헤드 조건에서 추정 정확도 측면에서 기존 접근 방식을 능가함을 확인한다.
• 복소수 신경망인 GM-LAMP 네트워크는 mmWave 빔스페이스 채널의 통계적 구조를 효과적으로 모델링하여 희소 신호 복원 과제에서 뛰어난 성능을 발휘한다.