[论文解读] Knowledge-Aided Deep Learning for Beamspace Channel Estimation in Millimeter-Wave Massive MIMO Systems

Xiuhong Wei, Chen Hu+1 more|arXiv (Cornell University)|Oct 28, 2019

Millimeter-Wave Propagation and Modeling参考文献 45被引用 11

一句话总结

该论文提出了一种基于知识的深度学习框架GM-LAMP，用于毫米波大规模MIMO系统中的波束域信道估计。通过在波束域信道系数上引入高斯混合先验，设计了一种专用的收缩函数，以增强学习型近似消息传递（LAMP）网络，从而在比现有方法更低的 pilot 开销下实现更高的估计精度。

ABSTRACT

Millimeter-wave massive multiple-input multiple-output (MIMO) can use a lens antenna array to considerably reduce the number of radio frequency (RF) chains, but channel estimation is challenging due to the number of RF chains is much smaller than the number of antennas. To address this challenge, we propose a beamspace channel estimation scheme based on deep learning (DL) in this paper. Specifically, the beamspace channel estimation problem can be formulated as a sparse signal recovery problem, which can be solved by the classical iterative algorithm named approximate message passing (AMP), and its corresponding version learned AMP (LAMP) realized by a deep neural network (DNN). Then, by exploiting the Gaussian mixture prior distribution of the beamspace channel elements, we derive a new shrinkage function to refine the classical AMP algorithm. Finally, by replacing the activation function in the conventional DNN with the derived Gaussian mixture shrinkage function, we propose a complex-valued Gaussian mixture LAMP (GM-LAMP) network specialized for estimating the beamspace channel. The simulation results show that, compared with the existing LAMP network and other conventional channel estimation schemes, the proposed GM-LAMP network considering the channel knowledge can improve the channel estimation accuracy with a low pilot overhead.

研究动机与目标

• 解决在射频链数减少的毫米波大规模MIMO系统中波束域信道估计面临的 pilot 开销高和估计精度低的挑战。
• 克服传统稀疏恢复算法和标准LAMP网络在建模复杂波束域信道统计特性方面的局限性。
• 利用波束域信道系数的高斯混合分布先验知识，以提升信道估计性能。
• 设计一种集成领域特定信号处理知识的复值深度神经网络架构，以增强鲁棒性和精度。
• 与现有LAMP和传统信道估计方案相比，展示在估计精度和 pilot 效率方面的优越性能。

提出的方法

• 将波束域信道估计建模为一个稀疏信号恢复问题，利用高斯混合先验来描述波束域信道系数的统计分布。
• 基于高斯混合先验推导出一种新型收缩函数，以改进经典近似消息传递（AMP）算法，提升其收敛性和精度。
• 用推导出的高斯混合收缩函数替换学习型AMP（LAMP）网络中的标准激活函数，构建复值GM-LAMP网络。
• 使用反映毫米波波束域信道统计特性的合成数据，端到端训练GM-LAMP网络。
• 将领域特定知识融入网络架构，以增强泛化能力并减少对大规模训练数据集的依赖。
• 利用深度神经网络学习AMP的迭代收缩过程，实现比经典迭代方法更快、更精确的信道估计。

实验结果

研究问题

• RQ1 如何有效将波束域信道系数的高斯混合分布先验知识融入基于深度学习的信道估计中？
• RQ2 具有自定义收缩函数的学**习型AMP网络是否能在毫米波大规模MIMO系统中超越标准LAMP和传统信道估计方法？
• RQ3 所提出的GM-LAMP网络在保持或提升估计精度的同时，能在多大程度上降低 pilot 开销？
• RQ4 将信号处理先验知识整合到神经网络架构中，如何影响信道估计器的泛化能力和鲁棒性？
• RQ5 与现有最先进方法相比，GM-LAMP网络在估计精度和收敛速度方面带来了多大的性能提升？

主要发现

• 所提出的GM-LAMP网络在估计精度上优于传统LAMP网络和其他经典信道估计方案。
• 将高斯混合先验集成到收缩函数中，显著提升了学习型AMP算法在波束域信道估计中的性能。
• GM-LAMP网络在保持高估计精度的同时降低了 pilot 开销，使其适用于实际的毫米波大规模MIMO系统。
• 由于收缩函数的领域感知设计，与标准LAMP相比，所提方法在收敛性和鲁棒性方面表现更优。
• 仿真结果证实，在低 pilot 开销条件下，该知识增强型深度学习框架在估计精度方面优于现有方法。
• 复值GM-LAMP网络能有效建模毫米波波束域信道的统计结构，从而在稀疏信号恢复任务中实现更优越的性能。