[論文レビュー] Online and Offline Deep Learning Strategies For Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO Systems

Ahmet M. Elbir, Kumar Vijay Mishra+2 more|arXiv (Cornell University)|Dec 20, 2019

Millimeter-Wave Propagation and Modeling被引用数 16

ひとこと要約

本稿では、広帯域mm-Wave massive MIMO-OFDMシステムにおける連合チャネル推定およびハイブリッドビームフォーミングを目的とした畳み込みニューラルネットワーク（CNN）を用いたディープラーニングフレームワークを提案する。本手法は、最先端の手法と比較してスペクトル効率が高く、計算コストが低く、パイロット汚染およびチャネル不一致に対してより高いロバスト性を示す、オフラインおよびオンライン推論方式を導入している。

ABSTRACT

Hybrid analog and digital beamforming transceivers are instrumental in addressing the challenge of expensive hardware and high training overheads in the next generation millimeter-wave (mm-Wave) massive MIMO (multiple-input multiple-output) systems. However, lack of fully digital beamforming in hybrid architectures and short coherence times at mm-Wave impose additional constraints on the channel estimation. Prior works on addressing these challenges have focused largely on narrowband channels wherein optimization-based or greedy algorithms were employed to derive hybrid beamformers. In this paper, we introduce a deep learning (DL) approach for joint channel estimation and hybrid beamforming for frequency-selective, wideband mm-Wave systems. In particular, we consider a massive MIMO Orthogonal Frequency Division Multiplexing (MIMO-OFDM) system and propose three different DL frameworks comprising convolutional neural networks (CNNs), which accept the received pilot signal as input and yield the hybrid beamformers at the output. We also introduce both offline and online prediction schemes for channel estimation and hybrid beamforming. Numerical experiments demonstrate that, compared to the current state-of-the-art optimization and DL methods, our approach provides higher spectral efficiency, lesser computational cost, and higher tolerance against the deviations in the received pilot data, corrupted channel matrix, and propagation environment.

研究の動機と目的

• ハイブリッドアナログ・デジタルビームフォーミングを用いたmm-Wave massive MIMOシステムにおける高いトレーニングオーバーヘッドとハードウェアコストの課題に対処する。
• 従来の狭帯域・最適化ベースの手法の制限を超えるために、周波数選択性を持つ広帯域MIMO-OFDMシステムへと拡張する。
• パイロット信号から連合でチャネルを推定し、ハイブリッドビームフォーマーを設計するディープラーニングフレームワークを開発する。
• 性能と計算効率のバランスを取るために、オフラインおよびオンライン推論戦略を導入する。
• パイロット汚染、チャネル行列のずれ、伝搬環境の変動に対して、より高いロバスト性を向上させる。

提案手法

• 受信パイロット信号を入力とし、ハイブリッドビームフォーマーを出力とする3つの異なるCNNベースのフレームワークを設計する。
• 畳み込みニューラルネットワークを用いて、パイロット観測値から最適なビームフォーミングベクトルへの複雑で非線形なマッピングを学習する。
• オフライントレーニング方式を実装し、ネットワークを展開前に合成または履歴的なチャネルデータでトレーニングする。
• 新しいパイロットフィードバックを用いてリアルタイムで予測を精緻化できる、オンライン適応方式を開発する。
• 広帯域mm-Waveシステムにおけるチャネル推定とビームフォーマー設計を、エンドツーエンドで最適化するようにネットワークをトレーニングする。
• MIMO-OFDMの周波数選択性を活用し、サブキャリア間の相関を共有されるCNNレイヤーを通じて活用する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングは、広帯域mm-Wave massive MIMO-OFDMシステムにおける連合チャネル推定とハイブリッドビームフォーミングを効果的に処理できるか？
• RQ2 スペクトル効率および計算コストの観点から、提案されたDLフレームワークは最適化ベースおよび既存のDL手法と比較してどの程度優れているか？
• RQ3 オンラインおよびオフライン推論方式は、パイロット信号の汚染およびチャネル行列のずれに対して、どの程度性能向上をもたらすか？
• RQ4 不完全なチャネル状態情報および変化する伝搬環境下でも、提案されたモデルはどの程度一般化性能を示すか？
• RQ5 リアルタイムmm-Waveビームフォーミングアプリケーションにおいて、モデルの複雑さ、推論速度、性能の間にはどのようなトレードオフが生じるか？

主な発見

• 提案されたDLフレームワークは、最先端の最適化およびディープラーニング手法と比較して、より高いスペクトル効率を達成した。
• 効率的なCNNベースの特徴抽出とエンドツーエンド学習のおかげで、計算コストが低減した。
• オンライン推論方式は、受信パイロットデータのずれや損傷を受けるチャネル行列に対して、より高い耐性を示した。
• 特にパイロット汚染およびチャネル推定誤差が生じる状況下でも、不一致した伝搬環境下でのロバスト性が向上した。
• オフライントレーニング方式は、リアルタイム処理負荷を低減させつつ、優れたベースライン性能を提供した。
• チャネル推定とビームフォーマー設計の共同学習により、逐次的または独立した最適化と比較して、システム全体の性能が向上した。