[論文レビュー] Learning-Assisted User Clustering in Cell-Free Massive MIMO-NOMA Networks

Quang Nhat Le, Van‐Dinh Nguyen+4 more|arXiv (Cornell University)|Nov 15, 2020

Advanced Wireless Communication Technologies参考文献 36被引用数 12

ひとこと要約

本稿では、k-means++および改善版k-means++アルゴリズムを用いて、セルフフリー massive MIMO-NOMA ネットワークにおける学習支援型ユーザクラスタリングを提案し、スペクトル効率（SE）とユーザの公平性を最適化する。チャネル品質に基づいて無教師機械学習を活用してユーザをグループ化することで、全探索と比較して計算複雑度を低減しつつ、フルパイロットゼロフォーキング・プレコーディング下で近似的に最適なSE性能を達成する。閉形式の合計SEが導出され、反復最適化により検証されている。

ABSTRACT

The superior spectral efficiency (SE) and user fairness feature of non-orthogonal multiple access (NOMA) systems are achieved by exploiting user clustering (UC) more efficiently. However, a random UC certainly results in a suboptimal solution while an exhaustive search method comes at the cost of high complexity, especially for systems of medium-to-large size. To address this problem, we develop two efficient unsupervised machine learning (ML) based UC algorithms, namely k-means++ and improved k-means++, to effectively cluster users into disjoint clusters in cell-free massive multiple-input multiple-output (CFmMIMO) system. Using full-pilot zero-forcing at access points, we derive the sum SE in closed-form expression taking into account the impact of intra-cluster pilot contamination, inter-cluster interference, and imperfect successive interference cancellation. To comprehensively assess the system performance, we formulate the sum SE optimization problem, and then develop a simple yet efficient iterative algorithm for its solution. In addition, the performance of collocated massive MIMO-NOMA (COmMIMO-NOMA) system is also characterized. Numerical results are provided to show the superior performance of the proposed UC algorithms compared to other baseline schemes. The effectiveness of applying NOMA in CFmMIMO and COmMIMO systems is also validated.

研究の動機と目的

• セルフリー massive MIMO-NOMA システムにおける全探索的ユーザクラスタリングの高コスト問題に対処すること。
• 全探索を避けながらユーザクラスタリングを最適化することで、スペクトル効率とユーザの公平性を向上させること。
• 性能をほぼ最適に保ちつつ、ユーザクラスタリングにおける計算オーバーヘッドを低減すること。
• パイロット混信、クラスタ間干渉、不完全な逐次干渉キャンセレーションを考慮した閉形式の合計スペクトル効率式を導出すること。
• 実用的システム制約下での合計SE最適化のための反復的アルゴリズムを提案すること。

提案手法

• チャネル状態情報に基づいて、k-means++および改善版k-means++アルゴリズムを用いて無教師学習によるユーザクラスタリングを実行する。
• アクセスポイントでフルパイロットゼロフォーキング（fpZF）プレコーディングを適用し、クラスタ内干渉とパイロット混信を抑制する。
• クラスタ内パイロット混信、クラスタ間干渉、不完全な逐次干渉キャンセレーション（SIC）を組み込んだ合計スペクトル効率（SE）の閉形式式を導出する。
• 電力制約およびハードウェア制約下で合計SE最適化問題を解く反復的アルゴリズムを提案する。
• 中央処理ユニットが分散型アクセスポイントを統合制御するシステムモデルを構築し、各アクセスポイントは局所的なチャネル状態情報（CSI）を用いる。
• ユーザが同じクラスタ内に存在する場合に電力域多重方式を採用し、逐次干渉キャンセレーション（SIC）によるデコードを実施する。

実験結果

リサーチクエスチョン

• RQ1 無教師機械学習に基づくユーザクラスタリングは、セルフリー massive MIMO-NOMA システムにおいて、著しく低コストで近似的に最適なスペクトル効率を達成できるか？
• RQ2 提案された学習支援クラスタリング手法は、ランダムクラスタリングや全探索クラスタリングと比較して、合計スペクトル効率と公平性においてどのように差をつけるか？
• RQ3 パイロット混信および不完全なSICが、提案されたシステムモデルにおける合計スペクトル効率に与える影響は何か？
• RQ4 実用的電力制約およびハードウェア制約下で、合計SE最適化のための反復的アルゴリズムはどの程度有効か？
• RQ5 NOMAは、セルフリーおよび集積型 massive MIMO-NOMA システムにおいて、スペクトル効率と公平性をどの程度向上させるか？

主な発見

• 提案された k-means++ および改善版 k-means++ アルゴリズムは、ランダムクラスタリングや全探索クラスタリング手法と比較して優れたスペクトル効率を達成する。
• 閉形式の合計スペクトル効率式は、クラスタ内パイロット混信、クラスタ間干渉、不完全なSICの影響を正確に捉えている。
• 合計SE最適化のための反復的アルゴリズムは単調収束を示し、KKT条件を満たしており、少なくとも局所最適解への収束が保証されている。
• 数値結果により、NOMAはセルフリーおよび集積型 massive MIMO-NOMA システムの両方において、合計スペクトル効率と公平性の点で OMA を上回ることが確認された。
• 改善版 k-means++ アルゴリズムは、初期化の向上により標準版 k-means++ よりも優れたクラスタリング性能を示し、クラスタリング誤差を低減しスペクトル効率を向上させた。
• フルパイロットゼロフォーキングプレコーディングを採用したシステムは、特に高ユーザ密度環境において高いスペクトル効率と高い耐障害性を達成した。