[论文解读] Sparse Channel Estimation and Hybrid Precoding Using Deep Learning for Millimeter Wave Massive MIMO

Wenyan Ma, Chenhao Qi+2 more|arXiv (Cornell University)|Feb 15, 2020

Millimeter-Wave Propagation and Modeling参考文献 25被引用 9

一句话总结

本文提出了一种基于深度学习的稀疏信道估计算法（DLCS）与混合波束成形框架（DLQP），适用于毫米波大规模MIMO系统。通过离线训练神经网络以预测主导波束域信道条目和量化相移，该方法在低分辨率相移器和有限训练导频条件下，实现了优于OMP、DGMP和QALS方案的归一化均方误差（NMSE）与频谱效率表现。

ABSTRACT

Channel estimation and hybrid precoding are considered for multi-user millimeter wave massive multi-input multi-output system. A deep learning compressed sensing (DLCS) channel estimation scheme is proposed. The channel estimation neural network for the DLCS scheme is trained offline using simulated environments to predict the beamspace channel amplitude. Then the channel is reconstructed based on the obtained indices of dominant beamspace channel entries. A deep learning quantized phase (DLQP) hybrid precoder design method is developed after channel estimation. The training hybrid precoding neural network for the DLQP method is obtained offline considering the approximate phase quantization. Then the deployment hybrid precoding neural network (DHPNN) is obtained by replacing the approximate phase quantization with ideal phase quantization and the output of the DHPNN is the analog precoding vector. Finally, the analog precoding matrix is obtained by stacking the analog precoding vectors and the digital precoding matrix is calculated by zero-forcing. Simulation results demonstrate that the DLCS channel estimation scheme outperforms the existing schemes in terms of the normalized mean-squared error and the spectral efficiency, while the DLQP hybrid precoder design method has better spectral efficiency performance than other methods with low phase shifter resolution.

研究动机与目标

• 解决传统基于压缩感知的信道估计算法在毫米波大规模MIMO系统中训练开销高、性能次优的问题。
• 克服OMP和DGMP等贪婪、顺序稀疏恢复方法缺乏全局最优性的局限。
• 设计一种适配低分辨率相移器的混合波束成形器，无需高分辨率硬件或穷举搜索。
• 利用深度学习从仿真数据中学习最优的模拟与数字波束成形，实现多用户毫米波系统中的高谱效率。
• 通过用学习得到的量化相移表示替代固定码本，降低计算复杂度并提升波束对准的鲁棒性。

提出的方法

• 离线训练深度神经网络（DLCS），利用仿真得到的毫米波信道预测主导波束域信道条目的索引与幅度。
• 通过将预测的幅度与已知的波束索引结合，重建完整信道，利用毫米波信道在波束域的稀疏性。
• 设计深度学习量化相移（DLQP）网络，学习考虑硬件受限相移器分辨率的模拟波束成形向量。
• 使用近似相移量化训练DLQP网络以模拟真实硬件约束，随后在理想相移量化下部署，生成最终的模拟波束成形器。
• 通过零 forcing 法结合估计的信道与DHPNN输出的模拟波束成形器，构建数字波束成形器。
• 使用导向矢量字典矩阵将角度域路径映射至波束域，实现信道的稀疏表示。

实验结果

研究问题

• RQ1 在导频开销更低的条件下，基于仿真数据训练的深度学习模型能否在毫米波信道估计算法中超越传统压缩感知方法（如OMP与DGMP）？
• RQ2 与现有稀疏恢复技术相比，所提出的DLCS方案在NMSE与频谱效率方面的表现如何？
• RQ3 在低分辨率相移器约束下，采用量化相移的可学习混合波束成形设计能否实现高于传统方法的频谱效率？
• RQ4 DLCS方案实现近似最优信道估计算法性能所需的最少训练导频数是多少？
• RQ5 当相移器位数减少时，DLQP方法是否仍能保持高谱效率，并优于穷举搜索与基于DFT的码本方法？

主要发现

• 在相同导频开销下，J=7时DLCS方案的频谱效率分别较OMP与DGMP提升8.3%与2.6%。
• 在K=7个训练时隙下，DLCS方案的NMSE较OMP与DGMP分别降低56.1%与85.2%，表现出更优的信道估计算法精度。
• DLCS方案仅需K=8个训练时隙即可获得完整信道状态信息，表明K=8足以实现最优性能。
• 在10 dB信噪比下，DLQP方法在频谱效率上较Exhaustion方法与QALS（Q=16）方法分别提升62.0%与86.5%。
• 在K=7个训练时隙下，DLQP方法在频谱效率上较Exhaustion方法与QALS（Q=16）方法分别提升51.0%与71.0%。
• 即使在低分辨率相移器条件下，DLQP方法仍保持高性能，优于Q=64的QALS方法，表明其对硬件约束具有强鲁棒性。