[논문 리뷰] Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces

Shicong Liu, Zhen Gao외 3명|arXiv (Cornell University)|2020. 06. 03.

Advanced Wireless Communication Technologies참고 문헌 19인용 수 17

한 줄 요약

이 논문은 mmWave 지능형 반사 표면(IRS) 시스템에서 저비용, 고정밀도 채널 추정을 위한 딥 노이즈 제거 신경망 보조 압축 측정 방법을 제안한다. 하이브리드 수동/주동 IRS 아키텍처를 활용하고, 서브대역 간 각도 도메인에서의 희박성 특성을 이용함으로써, 복소수 DnCNN(CV-DnCNN)을 사용해 SOMP 알고리즘의 초보적 추정치를 정밀하게 보정함으로써 최대 4 dB의 NMSE 향상을 달성하고, 다양한 SNR 및 다중 경로 조건에서도 뛰어난 성능을 보이며, 최소한의 학습 오버헤드와 빠른 추론 시간을 확보한다.

ABSTRACT

Integrating large intelligent reflecting surfaces (IRS) into millimeter-wave (mmWave) massive multi-input-multi-ouput (MIMO) has been a promising approach for improved coverage and throughput. Most existing work assumes the ideal channel estimation, which can be challenging due to the high-dimensional cascaded MIMO channels and passive reflecting elements. Therefore, this paper proposes a deep denoising neural network assisted compressive channel estimation for mmWave IRS systems to reduce the training overhead. Specifically, we first introduce a hybrid passive/active IRS architecture, where very few receive chains are employed to estimate the uplink user-to-IRS channels. At the channel training stage, only a small proportion of elements will be successively activated to sound the partial channels. Moreover, the complete channel matrix can be reconstructed from the limited measurements based on compressive sensing, whereby the common sparsity of angular domain mmWave MIMO channels among different subcarriers is leveraged for improved accuracy. Besides, a complex-valued denoising convolution neural network (CV-DnCNN) is further proposed for enhanced performance. Simulation results demonstrate the superiority of the proposed solution over state-of-the-art solutions.

연구 동기 및 목표

• 제한된 RF 체인을 가진 mmWave 대량 MIMO 시스템에서 고차원적이고 수동적인 IRS 채널 추정의 과제를 해결한다.
• 각도 도메인에서 서브대역 간 공통 희박성을 활용하여 광대역 mmWave IRS 시스템에서의 학습 오버헤드를 감소시킨다.
• 딥 노이즈 제거 신경망을 통합하여 전통적인 압축 측정 기법을 초월한 정확도 향상을 도모한다.
• 실제 구현에 적합한 뛰어난 일반화 능력과 강인성을 지닌 복소수 신경망(CV-DnCNN)을 개발한다.
• 최소한의 하드웨어 비용으로 대규모 IRS 구현에 적합한 저복잡도, 실시간 채널 추정을 가능하게 한다.

제안 방법

• 하드웨어 복잡도와 전력 소모를 줄이기 위해 단일 RF 체인만을 사용하는 하이브리드 수동/주동 IRS 아키텍처를 제안한다.
• 모든 훈련 간격에서 일부 IRS 요소만 활성화되는 다중 대역 주파수 피롤 전송 방식을 적용하여 부분 채널을 측정한다.
• 다중 측정 벡터(MMV) 성질을 활용하여 제한된 측정치로부터 전체 채널 행렬을 재구성하기 위해 동시에 직교 매칭 푸시(SOMP)를 적용한다.
• 서브대역 간 각도-지연 도메인에서 mmWave 채널의 공통 희박성을 활용하여 재구성 정확도를 향상시킨다.
• SOMP 기반 초보적 추정치를 정밀하게 보정하기 위해 복소수 신경망(CV-DnCNN)을 도입하여 추정 정확도를 향상시킨다.
• Adam 옵timizer를 사용하여 150 에포크 동안 5000개의 시뮬레이션 채널 샘플을 기반으로 CV-DnCNN을 훈련시키며, 학습률 스케줄링을 [30, 60, 90, 120] 시점에서 단계적으로 감소시키고 감쇠 인자를 0.4로 설정한다.

실험 결과

연구 질문

• RQ1 최소한의 RF 체인을 가진 하이브리드 수동/주동 IRS 아키텍처가 mmWave 시스템에서 효과적인 채널 추정을 가능하게 하는가?
• RQ2 광대역 IRS 시스템에서 SOMP 기반 압축 측정이 서브대역 전체에 걸친 각도 도메인 희박성을 얼마나 효과적으로 활용하여 학습 오버헤드를 줄일 수 있는가?
• RQ3 복소수 신경망(CV-DnCNN)은 기존 실수값 DnCNN 또는 기본적인 CS 방법에 비해 추정 정확도를 얼마나 향상시키는가?
• RQ4 다른 SNR 또는 다중 경로 성분 수를 가진 새로운 채널 조건에 적용했을 때, 훈련된 CV-DnCNN 모델의 강인성은 어떠한가?
• RQ5 제안된 방법은 실시간 구현에 적합한 낮은 계산 지연을 보이며 고정밀도 채널 추정을 달성할 수 있는가?

주요 결과

• CV-DnCNN를 사용해 보정한 결과, 기준 SOMP 기반 추정 대비 최대 4 dB의 NMSE 향상을 달성한다.
• CV-DnCNN는 실수값 DnCNN보다 뛰어난 성능을 보이며, 직접적으로 복소수 채널 데이터를 처리할 수 있어 더 풍부한 표현 능력을 지닌다.
• CV-DnCNN는 강인한 성능을 보이며, 10 dB SNR에서 미리 훈련된 후 -10 dB에서 20 dB의 SNR 범위 전역에서 거의 최적의 성능 유지를 유지한다.
• 다양한 다중 경로 성분(MPC) 수에 대해 잘 일반화되며, 훈련 데이터와 다른 MPC 수를 가진 채널에 적용해도 성능 저하가 거의 발생하지 않는다.
• i7-8700 CPU와 NVIDIA 1060 Ti GPU 환경에서 CV-DnCNN를 사용해 한 번의 채널 추정치를 처리하는 데 걸리는 추론 시간은 $1 \times 10^{-5}$ 초 미만이다.
• IRS의 면적이 증가하더라도 성능 저하가 발생하지만, 총 IRS 요소 수보다 측정치 수 $M$에 더 민감하게 영향을 받는다.