[論文レビュー] Deep Residual Network Empowered Channel Estimation for IRS-Assisted Multi-User Communication Systems

Chang Liu, Xuemeng Liu+2 more|arXiv (Cornell University)|Dec 1, 2020

Advanced Wireless Communication Technologies参考文献 26被引用数 4

ひとこと要約

本稿では、IRS支援マルチユーザー通信システムにおけるチャネル推定のためのCNNベースのディープリカージョンネットワーク（CDRN）を提案する。推定をノイズ除去問題としてモデル化し、ノイズの多いパイロット観測からチャネル係数を回復する。本手法は、チャネル分布の知識を必要とせず、理想的なMMSE推定器に近い性能を達成し、従来のLSおよびLMMSE手法に比べて精度と耐障害性において顕著に優れている。

ABSTRACT

Channel estimation is of great importance in realizing practical intelligent reflecting surface-assisted multi-user communication (IRS-MC) systems. However, different from traditional communication systems, an IRS-MC system generally involves a cascaded channel with a sophisticated statistical distribution, which hinders the implementations of the Bayesian estimators. To further improve the channel estimation performance, in this paper, we model the channel estimation as a denoising problem and adopt a data-driven approach to realize the channel estimation. Specifically, we propose a convolutional neural network (CNN)-based deep residual network (CDRN) to implicitly learn the residual noise for recovering the channel coefficients from the noisy pilot-based observations. In the proposed CDRN, a CNN denoising block equipped with an element-wise subtraction structure is designed to exploit both the spatial features of the noisy channel matrices and the additive nature of the noise simultaneously, which further improves the estimation accuracy. Simulation results demonstrate that the proposed method can almost achieve the same estimation accuracy as that of the optimal minimum mean square error (MMSE) estimator requiring the knowledge of the channel distribution.

研究の動機と目的

• 複雑なカスケードチャネルモデルに起因するIRS支援マルチユーザー通信システムにおけるチャネル推定性能の低さという課題に対処する。
• 高次元かつ非レイリーフェージングを示すカスケードチャネルにおいて、従来のMMSEやLMMSE推定器が示す高い計算コストとトレーニングオーバーヘッドを克服する。
• 追加のハードウェアやトレーニングオーバーヘッドを必要としない、データ駆動型の非線形推定フレームワークを構築し、精度を向上させる。
• 明示的なチャネル分布の知識を必要とせずに、最適なMMSE推定器に近い推定性能を達成する。
• ノイズの多いチャネル観測における空間的特徴とノイズ特性を効果的に学習できる、ディープリカージョンネットワークアーキテクチャを設計する。

提案手法

• チャネル推定問題を、ノイズの多いパイロット観測から真のチャネル行列を回復するというノイズ除去タスクとしてモデル化する。
• 要素ごとの減算構造を用いてリカージョンノイズを学習するCNNベースのノイズ除去ブロックを備えた、畳み込み型ノイズ除去リカージョンネットワーク（CDRN）を提案する。
• CNNノイズ除去ブロックをディープリカージョンネットワーク（DRN）フレームワークに統合し、階層的特徴抽出とノイズ抑制の両方を向上させる。
• 実際のIRS-MCシステムモデル（路損、Ricianフェージング、レイリーフェージングを含む）から生成された60,000件の合成トレーニング例を用いて、CDRNをエンドツーエンドで学習する。
• 最小平均二乗誤差基準に基づいて、CDRN-MMSE推定器を導出。ネットワークを推定誤差を最小化するように最適化する。
• 各リカージョンブロックが段階的にノイズ分散を低減するマルチステージノイズ除去機構を採用。出力特徴マップで可視化される。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型のディープラーニング手法は、チャネル分布の事前知識を必要とせずに、IRS支援マルチユーザーシステムで近似的に最適なチャネル推定性能を達成できるか？
• RQ2 CNNベースのノイズ除去ブロックを備えたリカージョン学習アーキテクチャは、LS や LMMSE といった線形推定器に比べて、推定精度をどのように向上させるか？
• RQ3 データ駆動型のCDRNモデルは、複雑な統計的性質を示す高次元カスケードチャネル行列において、どの程度効果的にノイズを抑制できるか？
• RQ4 従来のDLベースまたはパイロットベースの手法と比較して、提案手法のCDRNはトレーニングオーバーヘッドを低減しながらも、高い推定精度を維持できるか？
• RQ5 CDRNアーキテクチャにおける階層的ノイズ除去プロセスは、中間出力の可視化を通じて、最終的な推定品質にどのように寄与しているか？

主な発見

• 提案されたCDRN手法は、チャネルの確率密度関数の完全な知識を必要とする最適なMMSE推定器とほとんど区別できない推定性能を達成している。
• CDRNは、特に低SNR領域において、従来のLSおよびLMMSE推定器を顕著に上回っており、空間的チャネル特徴の非線形モデル化によるものである。
• バイナリ反射制御LMMSE（B-LMMSE）手法は、1要素の活性化による受信SNRの低さのため、性能が著しく劣っており、改善されたトレーニング戦略の必要性を裏付けている。
• CDRNの中間出力の可視化により、リカージョンブロックを経るごとに段階的なノイズ低減が確認され、ノイズピクセルが各段階で次第に疎かつ局所化されている。
• CDRNの性能は、特にレイリーフェージングモデルに従うユーザーからIRSへのリンク（d_k）において、理論的MMSE限界に近づいている。
• 本手法は、さまざまなSNRレベルにおいて高い精度を維持しており、100,000回のモンテカルロ実現平均を用いたシミュレーションにより、統計的信頼性が保証されている。