[论文解读] Downlink Extrapolation for FDD Multiple Antenna Systems Through Neural Network Using Extracted Uplink Path Gains

Hyuckjin Choi, Junil Choi|arXiv (Cornell University)|Apr 3, 2020

Advanced MIMO Systems Optimization参考文献 39被引用 18

一句话总结

本文提出了一种新型基于神经网络的FDD大规模MIMO系统下行链路（DL）信道状态信息（CSI）外推技术，通过使用提取的路径增益而非完整的上行链路（UL）和下行链路（DL）信道，降低了训练复杂度并提高了精度。该方法利用如离开角（AoD）和延迟等公共信道参数，仅基于路径增益训练神经网络，相较于传统方法表现出更优性能，尤其在高速移动且相干时间有限的场景下。

ABSTRACT

When base stations (BSs) are deployed with multiple antennas, they need to have downlink (DL) channel state information (CSI) to optimize downlink transmissions by beamforming. The DL CSI is usually measured at mobile stations (MSs) through DL training and fed back to the BS in frequency division duplexing (FDD). The DL training and uplink (UL) feedback might become infeasible due to insufficient coherence time interval when the channel rapidly changes due to high speed of MSs. Without the feedback from MSs, it may be possible for the BS to directly obtain the DL CSI using the inherent relation of UL and DL channels even in FDD, which is called DL extrapolation. Although the exact relation would be highly nonlinear, previous studies have shown that a neural network (NN) can be used to estimate the DL CSI from the UL CSI at the BS. Most of previous works on this line of research trained the NN using full dimensional UL and DL channels; however, the NN training complexity becomes severe as the number of antennas at the BS increases. To reduce the training complexity and improve DL CSI estimation quality, this paper proposes a novel DL extrapolation technique using simplified input and output of the NN. It is shown through many measurement campaigns that the UL and DL channels still share common components like path delays and angles in FDD. The proposed technique first extracts these common coefficients from the UL and DL channels and trains the NN only using the path gains, which depend on frequency bands, with reduced dimension compared to the full UL and DL channels. Extensive simulation results show that the proposed technique outperforms the conventional approach, which relies on the full UL and DL channels to train the NN, regardless of the speed of MSs.

研究动机与目标

• 解决传统FDD大规模MIMO系统在高速移动时因导频开销大和相干时间短而导致的高训练与反馈开销问题。
• 克服现有下行链路外推方法依赖完整维度的上行链路和下行链路信道矩阵的局限性，这些方法增加了神经网络的训练复杂度。
• 通过利用路径延迟和角度等主导信道参数的物理互易性，提高高速移动场景下下行链路CSI估计的精度与鲁棒性。
• 通过仅将路径增益作为输入和输出，简化网络输入输出，从而降低神经网络的训练复杂度与时间，同时保持或提升估计精度。
• 通过在包含移动性、载波频率和带宽影响的真实QuaDRiGa生成的信道样本上进行训练，确保方法的实际可行性。

提出的方法

• 使用参数化信道模型从上行链路（UL）和下行链路（DL）信道中提取共有的信道参数——离开角（AoD）、延迟和路径增益。
• 仅将提取的路径增益作为神经网络的输入和输出，与全通道训练相比显著降低了维度。
• 训练神经网络以实现从上行链路路径增益到预测的下行链路路径增益的映射，利用路径增益依赖于频率和传播环境的特性。
• 利用预测的下行链路路径增益与上行链路测量中已知的AoD和延迟，在基站端重建完整的下行链路CSI。
• 在训练过程中考虑处理延迟，以确保在高速移动场景下的鲁棒性。
• 通过在多种移动性场景和带宽下使用真实QuaDRiGa生成的信道轨迹验证该方法。

实验结果

研究问题

• RQ1 从上行链路和下行链路信道中提取路径增益是否能显著降低神经网络的训练复杂度，同时保持或提升下行链路CSI估计的精度？
• RQ2 在高速移动条件下，基于提取路径增益的神经网络下行链路外推方法相较于传统全通道训练方法的性能如何？
• RQ3 处理延迟在多大程度上影响下行链路CSI估计的精度？是否可通过训练时的建模来缓解此问题？
• RQ4 所提出的方法在不同基站天线数和移动速度下是否能保持高精度？
• RQ5 在训练数据有限，特别是相干时间短的高速移动环境中，该方法是否仍具有鲁棒性？

主要发现

• 所提出的基于路径增益的学习（PG-learning）方法在高速移动场景下，相较于传统全通道学习（CH-learning），在估计的下行链路CSI与实际CSI之间实现了更高的相关系数，表现更优。
• 在40组移动台（MS）样本集下，PG-learning保持了稳定且高精度的性能，而CH-learning因数据不足导致性能下降。
• 在NBS = 32根天线和150 km/h速度下，PG-learning的相关系数约为0.74，显著优于CH-learning在相同条件下的表现（低于0.5）。
• 在150 km/h速度下，NBS = 32时，PG-learning方法的有效频谱效率保持在13 bit/sec/Hz以上，而全下行链路训练因开销过大而不可行。
• 该方法通过降低输入/输出维度，显著降低了神经网络的训练复杂度，实现了更快的收敛速度和更低的计算成本，同时不损失精度。
• 处理延迟在训练过程中得到有效补偿，确保即使在移动台高速移动、信道估计过时时，系统仍具备鲁棒性。