[论文解读] Compressed CSI Feedback With Learned Measurement Matrix for mmWave Massive MIMO

Pengxia Wu, Zichuan Liu+1 more|arXiv (Cornell University)|Mar 6, 2019

Millimeter-Wave Propagation and Modeling参考文献 12被引用 10

一句话总结

该论文提出了一种数据驱动的毫米波大规模MIMO信道状态信息（CSI）反馈压缩感知框架，通过可解释的$l_1$-最小化自编码器（l1-AE）学习最优测量矩阵。与随机矩阵不同，所学习的矩阵在显著减少测量次数的情况下实现了近乎完美的CSI恢复，降低了反馈开销，同时提高了速率，尤其在低测量维度（如m=20）下表现更优。

ABSTRACT

A major challenge to implement the compressed sensing method for channel state information (CSI) acquisition lies in the design of a well-performed measurement matrix to reduce the dimension of sparse channel vectors. The widely adopted randomized measurement matrices drawn from Gaussian or Bernoulli distribution are not optimal. To tackle this problem, we propose a fully data-driven approach to optimize the measurement matrix for beamspace channel compression, and this method trains a mathematically interpretable autoencoder constructed according to the iterative solution of sparse recovery. The obtained measurement matrix can achieve near perfect CSI recovery with fewer measurements, thus the feedback overhead can be substantially reduced.

研究动机与目标

• 解决随机测量矩阵在毫米波大规模MIMO系统CSI反馈中性能不佳的问题。
• 挖掘传统随机矩阵无法捕捉的波束域信道中的隐藏结构特征。
• 设计一种确定性、数据驱动的测量矩阵，实现在最小反馈开销下的高精度稀疏恢复。
• 开发一种与线性稀疏恢复求解器兼容的数学可解释深度学习模型。
• 证明所学习的矩阵在不同测量维度下，均优于随机矩阵，在恢复精度和频谱效率方面表现更优。

提出的方法

• 在波束域信道样本上端到端训练$l_1$-最小化自编码器（l1-AE），以学习确定性测量矩阵。
• 自编码器的结构设计模仿$l_1$-最小化问题的迭代求解过程，确保数学可解释性，并与标准线性规划求解器兼容。
• 编码器学习测量矩阵$\mathbf{\Phi}^*$，将全秩波束域信道向量映射为压缩测量$\mathbf{y} = \mathbf{\Phi}^* \mathbf{h}$。
• 解码器利用标准$l_1$-最小化从压缩测量中重建原始信道向量，确保在用户设备（UE）硬件中的实际可行性。
• 模型在真实世界毫米波波束域信道数据上进行训练，通过归一化处理以保持动态范围并实现精确重建。
• 使用线性规划进行稀疏恢复，对所学习的矩阵进行评估，确保与现有压缩感知框架的兼容性。

实验结果

研究问题

• RQ1 数据驱动且可解释的深度学习模型能否学习出在毫米波CSI反馈中优于随机矩阵的测量矩阵？
• RQ2 毫米波大规模MIMO系统中的波束域信道是否包含除稀疏性之外可被利用的结构特征？
• RQ3 所学习的测量矩阵能否在少于随机矩阵的测量次数下实现近乎完美的CSI恢复？
• RQ4 在使用所学习矩阵与随机矩阵时，反馈开销与可实现速率之间的权衡如何？
• RQ5 所学习的测量矩阵是否在不同测量维度下均保持优越性能，尤其在低$m$维度下？

主要发现

• 在$m=20$次测量时，所学习的矩阵$\mathbf{\Phi}^*$实现了95.9%的精确恢复率，显著优于所有随机矩阵（最高仅5.3%的$\mathbf{S}$）。
• 在$m=25$时，所学习矩阵的恢复率达到98.7%，而最佳随机矩阵（$\mathbf{S}$）仅为30.15%。
• 当$m \geq 35$时，所学习矩阵实现100%的精确恢复，而所有随机矩阵均未达到此水平。
• 在所有测量维度下，所学习矩阵的归一化均方根误差（NRSE）始终低于所有随机矩阵。
• 使用$\mathbf{\Phi}^*$的有效可实现速率在$m=20$时达到峰值，而随机矩阵需在$m=35$或$m=40$时才达到最大值，表明其频谱效率更优。
• 所学习矩阵在保持更高恢复精度的同时，实现了更高的频谱效率和更低的反馈开销，尤其在低测量维度下表现更优。