[论文解读] Block Distributed Compressive Sensing Based Doubly Selective Channel Estimation and Pilot Design for Large-Scale MIMO Systems

Bo Gong, Lin Gui+3 more|arXiv (Cornell University)|Apr 21, 2020

Advanced MIMO Systems Optimization参考文献 31被引用 13

一句话总结

本文提出了一种基于块分布式压缩感知（BDCS）的双重选择（DS）信道估计算法，以及一种用于大规模MIMO系统的块离散随机优化（BDSO）导频设计算法。通过利用BEM系数和天线对之间的公共稀疏性，该方法在保持高估计精度的同时降低了导频开销，在最优导频位置下实现了无中断点的-25 dB归一化均方误差（NMSE）。

ABSTRACT

The doubly selective (DS) channel estimation in the large-scale multiple-input multiple-output (MIMO) systems is a challenging problem due to the large number of the channel coefficients to be estimated, which requires unaffordable and prohibitive pilot overhead. In this paper, firstly we conduct the analysis about the common sparsity of the basis expansion model (BEM) coefficients among all the BEM orders and all the transmit-receive antenna pairs. Then a novel pilot pattern is proposed, which inserts the guard pilots to deal with the inter carrier interference (ICI) under the superimposed pilot pattern. Moreover, by exploiting the common sparsity of the BEM coefficients among different BEM orders and different antennas, we propose a block distributed compressive sensing (BDCS) based DS channel estimator for the large-scale MIMO systems. Its structured sparsity leads to the reduction of the pilot overhead under the premise of guaranteeing the accuracy of the estimation. Furthermore, taking consideration of the block structure, a pilot design algorithm referred to as block discrete stochastic optimization (BDSO) is proposed. It optimizes the pilot positions by reducing the coherence among different blocks of the measurement matrix. Besides, a linear smoothing method is extended to large-scale MIMO systems to improve the accuracy of the estimation. Simulation results verify the performance gains of our proposed estimator and the pilot design algorithm compared with the existing schemes.

研究动机与目标

• 解决大规模MIMO系统中双重选择（DS）信道估计的高导频开销与复杂度问题。
• 利用BEM系数与多天线之间的公共稀疏性，降低所需的导频开销。
• 设计一种优化的导频模式，以最小化测量矩阵中的相干性，从而提升压缩感知恢复性能。
• 开发一种结构化的估计框架，联合利用块稀疏性与公共稀疏性以提升估计精度。
• 在包含高多普勒频移与天线数量增加的现实条件下验证所提方法的有效性。

提出的方法

• 基于多个天线与BEM阶数的Basis Expansion Model（BEM）系数，建立DS信道估计算法的数学模型。
• 提出一种块分布式压缩感知（BDCS）框架，用于建模天线与BEM阶数之间BEM系数的联合稀疏性。
• 提出一种新型导频模式，引入保护导频以在叠加导频结构下抑制载波间干扰（ICI）。
• 开发一种块离散随机优化（BDSO）算法，通过最小化测量矩阵块之间的互相关性来优化导频位置。
• 应用线性平滑方法以提升估计精度，尤其在高多普勒环境下的表现。
• 采用结构化恢复算法（SOMP、SSP、BSOMP）以同时利用块稀疏性与公共稀疏性，提升重建性能。

实验结果

研究问题

• RQ1 能否利用BEM系数与多天线之间的公共稀疏性来降低大规模MIMO系统中的导频开销？
• RQ2 如何优化导频设计以最小化测量矩阵中的相干性并提升压缩感知性能？
• RQ3 天线数量增加与多普勒扩展增大对基于CS的DS信道估计算法的估计精度有何影响？
• RQ4 所提出的BDCS框架在高速移动场景下与传统LS和LMMSE估计器相比表现如何？
• RQ5 线性平滑方法在高ICI环境下在多大程度上提升了BDCS估计算法的鲁棒性与精度？

主要发现

• 所提出的BDSO导频设计使互相关性（μ）低于0.1，显著低于遗传算法（GA，≈0.6）与等距导频模式，从而实现更优的恢复性能。
• 在BDSO优化导频下，BDCS估计算法实现了-25 dB的归一化均方误差（NMSE）且无中断点，优于LS与LCC方案（均接近0 dB）。
• SSP与BSOMP恢复算法的表现优于SOMP，因其能联合利用块稀疏性与公共稀疏性，其中BSOMP-li表现最佳。
• 在固定导频开销下，随着天线数量增加，性能有所下降，但BDCS框架相比传统方法仍保持更强的鲁棒性。
• 线性平滑方法提供了稳定的性能增益，尤其在高多普勒频移与通道稀疏性增加时表现更优。
• 随着信道稀疏度（K）增加或归一化多普勒频移上升，NMSE增大，但采用BSOMP与平滑处理的BDCS估计算法仍显著优于基线方案。