[论文解读] Deep Learning for UL/DL Channel Calibration in Generic Massive MIMO Systems

Chongwen Huang, George C. Alexandropoulos+3 more|arXiv (Cornell University)|Mar 7, 2019

Advanced MIMO Systems Optimization参考文献 33被引用 6

一句话总结

本文提出一种深度神经网络（Calinet），用于在存在非线性硬件损伤的大规模MIMO系统中进行上行链路/下行链路（UL/DL）信道校准。该网络基于上行链路和下行链路信道测量联合训练，能够从瞬时上行链路估计预测校准后的下行链路信道，在线性场景中性能接近Cramér-Rao界（CRB），并在通用非线性设置下表现出鲁棒性，即使训练数据有限亦然。

ABSTRACT

One of the fundamental challenges to realize massive Multiple-Input Multiple-Output (MIMO) communications is the accurate acquisition of channel state information for a plurality of users at the base station. This is usually accomplished in the UpLink (UL) direction profiting from the time division duplexing mode. In practical base station transceivers, there exist inevitably nonlinear hardware components, like signal amplifiers and various analog filters, which complicates the calibration task. To deal with this challenge, we design a deep neural network for channel calibration between the UL and DownLink (DL) directions. During the initial training phase, the deep neural network is trained from both UL and DL channel measurements. We then leverage the trained deep neural network with the instantaneously estimated UL channel to calibrate the DL one, which is not observable during the UL transmission phase. Our numerical results confirm the merits of the proposed approach, and show that it can achieve performance comparable to conventional approaches, like the Agros method and methods based on least squares, that however assume linear hardware behavior models. More importantly, considering generic nonlinear relationships between the UL and DL channels, it is demonstrated that our deep neural network approach exhibits robust performance, even when the number of training sequences is limited.

研究动机与目标

• 解决由于基带和射频前端组件存在非线性特性而导致大规模MIMO系统中上行链路与下行链路信道响应非互易性的问题。
• 克服传统校准方法假设硬件行为为线性的局限性，这些方法在非线性场景下失效。
• 开发一种数据驱动的深度学习框架，能够学习上行链路与下行链路信道之间复杂且通用的非线性映射关系。
• 仅利用瞬时上行链路信道状态信息（CSI），无需直接的下行链路训练序列，实现精确的下行链路信道估计。
• 在线性与非线性硬件模型中均实现鲁棒性能，尤其在训练数据有限的情况下表现优异。

提出的方法

• 设计一个多层前馈深度神经网络（Calinet），用于学习从上行链路信道估计到校准后下行链路信道的映射关系。
• 使用在初始训练阶段采集的配对上行链路与下行链路信道测量数据对网络进行训练。
• 在运行时，利用训练好的DNN从实时上行链路信道估计中预测下行链路信道状态信息。
• 采用全连接网络结构，激活函数为ReLU，使用Adam优化器的随机梯度下降法进行优化。
• 通过三种类型建模上行链路与下行链路信道之间的非线性关系：线性型、tanh型和幂次型（二次型），以评估泛化能力。
• 使用TensorFlow和MATLAB实现该框架，数据集按60%训练集与40%测试集进行划分。

实验结果

研究问题

• RQ1 深度神经网络能否在存在硬件损伤的大规模MIMO系统中有效学习上行链路与下行链路信道之间的非线性映射？
• RQ2 在上行链路与下行链路为线性TDD场景下，所提出的DNN校准方法相较于传统线性校准技术（如Argos、NPC FC-II）表现如何？
• RQ3 在传统方法失效的非线性信道场景中，DNN方法的性能如何？
• RQ4 在非线性设置下，DNN校准性能对训练数据集大小的敏感程度如何？
• RQ5 在理想条件下，DNN方法在多大程度上接近理论上的Cramér-Rao界（CRB）？

主要发现

• 所提出的DNN校准方法在大规模MIMO线性TDD系统中，其均方误差（MSE）性能与Cramér-Rao界（CRB）仅存在微小差距。
• 在线性场景中，DNN优于Argos方法及文献[14]提出的方法，与CRB的性能差距极小。
• 在非线性场景中，特别是幂次型（二次型）模型下，尽管预测误差较高，DNN仍保持稳健性能，展现出优异的泛化能力。
• MSE性能随信噪比（SNR）提升而改善，且在较低SNR下训练过程收敛更快，但高SNR下最终性能更优。
• 如图7所示，DNN能准确预测各个下行链路信道系数，对于20 dB SNR下的非线性tanh型模型，预测值与实际值高度吻合。
• 即使训练序列有限，该方法依然有效，尤其在无先前方法可用的通用非线性硬件模型中表现出强大的泛化能力。