[논문 리뷰] Deep Learning-Based Channel Estimation for High-Dimensional Signals

Eren Balevi, Jeffrey G. Andrews|arXiv (Cornell University)|2019. 04. 19.

Wireless Signal Modulation Classification참고 문헌 13인용 수 28

한 줄 요약

이 논문은 OFDM 및 매크로 MIMO와 같은 고차원 신호를 위한 훈련이 필요 없는 딥 러닝 기반 채널 추정기인 DIP(딥 이미지 프리독트)를 활용하여 시간-주파수 상관관계를 이용한다. 수신된 신호와 펄스 심벌만을 사용하여 사전 훈련 없이 딥 네URAL 네트워크(DNN)의 파라미터를 실시간으로 피팅함으로써, MMSE 성능에 근접하면서도 LS 추정보다 약간 높은 복잡도를 가지며, 펄스 오버헤드를 최대 98%까지 감소시킨다.

ABSTRACT

We propose a novel deep learning-based channel estimation technique for high-dimensional communication signals that does not require any training. Our method is broadly applicable to channel estimation for multicarrier signals with any number of antennas, and has low enough complexity to be used in a mobile station. The proposed deep channel estimator can outperform LS estimation with nearly the same complexity, and approach MMSE estimation performance to within 1 dB without knowing the second order statistics. The only complexity increase with respect to LS estimator lies in fitting the parameters of a deep neural network (DNN) periodically on the order of the channel coherence time. We empirically show that the main benefit of this method accrues from the ability of this specially designed DNN to exploit correlations in the time-frequency grid. The proposed estimator can also reduce the number of pilot tones needed in an OFDM time-frequency grid, e.g. in an LTE scenario by 98% (68%) when the channel coherence time interval is 73ms (4.5ms).

연구 동기 및 목표

• OFDM 및 매크로 MIMO 시스템에서 펄스 오버헤드를 최소화하면서 고차원 채널 추정 문제를 해결하기 위해.
• 2차 통계나 레이블이 있는 훈련 데이터가 없이도 근접한 MMSE 성능을 달성하는 채널 추정기를 개발하기 위해.
• 시간-주파수 신호 상관관계를 이용하여 스케일이 가능하고 저복잡도인 채널 추정을 이동국에서 구현 가능하게 하기 위해.

제안 방법

• 특히 설계된 DNN의 파라미터를 사전 훈련 없이 수신 신호와 펄스 심벌에 직접 피팅하기 위해 딥 이미지 프리독트(DIP) 프레임워크를 사용한다.
• DNN은 시간-주파수 도메인에서 채널의 기본 구조를 학습함으로써 수신 신호의 노이즈 제거된 버전을 생성한다.
• DNN가 생성한 신호를 펄스 심벌로 요소별로 나누어 LS 추정과 유사하게 채널 추정치를 계산한다.
• 서브밴드 수에 관계없이 스케일이 가능하도록 파라미터 공유를 적용함으로써, 큰 시스템에서도 저복잡도를 확보한다.
• 일관성 시간당 수백 번의 에포크 동안 반복적으로 최적화되며, 외부 훈련 데이터 세트가 필요하지 않다.
• SISO-OFDM, 매크로 MIMO-OFDM, 그리고 어떤 다중 안테나 구성에도 적용 가능하며, 채널 통계에 대한 가정이 없다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 채널 추정기가 레이블이 있는 훈련 데이터나 채널 통계 지식 없이도 근접한 MMSE 성능을 달성할 수 있는가?
• RQ2 DNN이 고차원 OFDM 신호의 시간-주파수 상관관계를 얼마나 효과적으로 활용하여 추정 오차를 줄일 수 있는가?
• RQ3 DNN 기반 접근법을 통해 추정 정확도를 유지하면서 펄스 오버헤드를 얼마나 줄일 수 있는가?
• RQ4 매크로 MIMO 시스템에서 서브밴드 수와 안테나 수가 증가함에 따라 제안된 방법의 스케일링 성능은 어떠한가?
• RQ5 채널 상관 구조(예: i.i.d. 대비 현실적인 구조)가 DNN 기반 추정기 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 추정기는 2차 통계 지식이 없어도 MMSE 추정과 1 dB 이내의 성능 갭을 유지한다.
• 채널 일관성 시간이 73 ms일 경우, LTE 유사 OFDM 시스템에서 펄스 톤 수를 100%에서 2%로 98% 감소시켰다.
• 채널 일관성 시간이 4.5 ms일 경우, 펄스 감소율은 68%에 달하여 스펙트럼 효율 향상이著명하다.
• LS 추정보다 계산 복잡도가 약간 증가할 뿐이지만, 성능 향상은 뚜렷하다.
• DNN의 성공은 시간-주파수 상관관계를 효과적으로 활용할 수 있었기 때문이며, i.i.d. 주파수 도메인 탭에선 성능이 열악한 것으로 확인되었다.
• 안테나 상관관계에 대해 강인하며, 16안테나 기지국을 갖는 매크로 MIMO 업링크 시나리오에서도 높은 성능을 유지한다.