[论文解读] Dictionary Learning Based Sparse Channel Representation and Estimation for FDD Massive MIMO Systems

Yacong Ding, Bhaskar D. Rao|arXiv (Cornell University)|Dec 20, 2016

Advanced MIMO Systems Optimization参考文献 58被引用 9

一句话总结

该论文提出了一种基于字典学习的稀疏信道表示与联合上行链路/下行链路估计框架，用于FDD大规模MIMO系统，利用小区特定的信道测量数据学习一个自适应的过完备字典，以增强稀疏性并提高估计精度。通过利用上行链路与下行链路信道之间的角域互易性，该方法显著降低了下行链路训练开销，在阵列不确定性条件下性能优于预定义字典，尤其在低信噪比下表现更优。

ABSTRACT

This paper addresses the problem of uplink and downlink channel estimation in FDD Massive MIMO systems. By utilizing sparse recovery and compressive sensing algorithms, we are able to improve the accuracy of the uplink/downlink channel estimation and reduce the number of uplink/downlink pilot symbols. Such successful channel estimation builds upon the assumption that the channel can be sparsely represented under some basis/dictionary. Previous works model the channel using some predefined basis/dictionary, while in this work, we present a dictionary learning based channel model such that a dictionary is learned from comprehensively collected channel measurements. The learned dictionary adapts specifically to the cell characteristics and promotes a more efficient and robust channel representation, which in turn improves the performance of the channel estimation. Furthermore, we extend the dictionary learning based channel model into a joint uplink/downlink learning framework by observing the reciprocity of the AOA/AOD between the uplink/downlink transmission, and propose a joint channel estimation algorithm that combines the uplink and downlink received training signals to obtain a more accurate channel estimate. In other words, the downlink training overhead, which is a bottleneck in FDD Massive MIMO system, can be reduced by utilizing the information from simpler uplink training.

研究动机与目标

• 通过利用信道稀疏性，解决FDD大规模MIMO系统中高下行链路训练与反馈开销的问题。
• 开发一种数据驱动的、小区特定的字典学习框架，使其能够适应局部传播环境和阵列不确定性。
• 通过联合学习上行链路与下行链路训练信号的字典，提高上行链路与下行链路信道估计的精度。
• 通过使用更少导频符号实现稀疏恢复，将训练开销降低至传统极限以下。
• 将该框架扩展以处理实际非理想因素，如天线阵列错位和非理想校准。

提出的方法

• 从小区部署期间收集的全面信道测量数据中学习过完备字典，使用字典学习算法捕捉小区特定的传播特性。
• 利用学习到的字典将上行链路与下行链路信道估计建模为稀疏恢复问题，实现在更少导频符号下的鲁棒重建。
• 提出一种联合字典学习框架，利用上行链路与下行链路之间的角域互易性，假设上行链路与下行链路信道系数具有共享的稀疏支持。
• 通过联合稀疏恢复结合上行链路与下行链路训练信号，以最小的额外上行链路训练开销提升下行链路估计精度。
• 采用贝叶斯公式以容许上行链路与下行链路稀疏支持之间的潜在不匹配，增强对互易性不完美情况的鲁棒性。
• 在理想（完全校准）和非理想（存在不确定性）阵列场景下，通过模拟微波传播环境验证该方法。

实验结果

研究问题

• RQ1 从真实信道测量中学习的字典是否能在FDD大规模MIMO中实现比DFT等预定义基更优的稀疏性和估计精度？
• RQ2 与独立估计相比，利用上行链路与下行链路训练信号进行联合字典学习在多大程度上提升了下行链路信道估计性能？
• RQ3 通过利用上行链路训练和联合学习，下行链路训练开销能降低到何种程度，尤其是在导频符号有限的情况下？
• RQ4 在天线阵列不确定性或校准不完善的情况下，联合字典学习方法的鲁棒性如何？
• RQ5 该框架能否扩展以处理非理想角域互易性，例如上行链路与下行链路到达/出发角存在微小失配？

主要发现

• 联合学习字典（JDLCM）的归一化均方误差（NMSE）低于独立字典学习，尤其在下行链路训练时长较短时表现更优。
• 仅使用2个上行链路训练符号，联合估计框架即可显著提升下行链路信道估计性能，大幅减少对大量下行链路导频的需求。
• 在阵列不确定性条件下，JDLCM优于联合过完备DFT矩阵（JODFT），后者因结构不匹配而失效。
• 在存在天线阵列不确定性时，JDLCM保持鲁棒性能，而JODFT性能下降，甚至在长下行链路训练长度下表现不如标准DFT矩阵。
• 所提方法仅需30个上行链路训练符号即可在6个小区中实现正交导频分配，当采用稀疏恢复而非最小二乘法时，可消除导频污染。
• 仿真结果表明，联合学习框架在保持或提升估计精度的同时，实现了下行链路训练开销的降低，优于传统方法。