[论文解读] A Family of Deep Learning Architectures for Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO

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

Millimeter-Wave Propagation and Modeling被引用 7

一句话总结

本文提出三种基于深度学习（DL）的框架——F1、F2 和 F3——利用卷积神经网络（CNNs）在宽带毫米波大规模 MIMO-OFDM 系统中联合执行信道估计与混合波束成形。这些模型直接处理原始接收信号，无需完美信道状态信息（CSI），在频谱效率、导频开销和对信道污染及波束失准的鲁棒性方面优于现有最先进方法。

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 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 raw data of received signal as input and yield channel estimates and the hybrid beamformers at the output. We also introduce both offline and online prediction schemes. 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 fewer number of pilot signals, and higher tolerance against the deviations in the received pilot data, corrupted channel matrix, and propagation environment.

研究动机与目标

• 通过利用深度学习，解决毫米波大规模 MIMO 系统中训练开销高和硬件成本高的挑战。
• 克服现有混合波束成形方法在频率选择性、宽带毫米波信道中依赖完美 CSI 或窄带假设的局限性。
• 设计端到端的深度学习架构，直接从原始接收信号联合估计信道并计算混合波束成形器。
• 在相干时间短和信道数据不完善等毫米波环境中实现鲁棒运行。
• 相比基于优化的方法和先前的深度学习方法，降低导频开销和计算复杂度。

提出的方法

• 提出三种基于 CNN 的深度学习框架（F1、F2、F3），以原始接收 OFDM 信号为输入，输出信道估计结果和混合波束成形器。
• 设计网络以在单一架构中建模子载波级响应，从而处理频率选择性毫米波信道。
• 实现离线和在线预测方案，其中在线学习可在运行期间更新模型，以适应环境变化。
• 在包含合成噪声和最多 4° 波束失准的多样化信道场景下训练网络，以提升鲁棒性。
• 采用联合学习目标，同时优化信道估计和波束成形器设计，降低对完美 CSI 的依赖。
• 利用 GPU 加速推理，确保计算延迟较低，其中 F1 因架构更简单而速度最快。

实验结果

研究问题

• RQ1 深度学习架构能否在无需完美 CSI 的情况下，联合估计宽带毫米波大规模 MIMO 系统中的信道并设计混合波束成形器？
• RQ2 与最先进的基于优化和深度学习的方法相比，所提出的深度学习框架在频谱效率以及对信道污染和波束失准的鲁棒性方面表现如何？
• RQ3 在相干时间短的动态毫米波环境中，在线学习对性能和计算成本有何影响？
• RQ4 所提出的深度学习框架在保持高估计精度的前提下，能在多大程度上减少导频开销？
• RQ5 网络架构在实时毫米波波束成形应用中如何影响计算复杂度和推理时间？

主要发现

• 所提出的深度学习框架在高信噪比（SNR）区域下，频谱效率高于现有最先进基于优化和深度学习的方法。
• DLHB 框架在信道估计精度方面优于 SF-CNN 和其他基于深度学习的方法，即使后者在高 SNR 下因固有估计偏差而达到饱和。
• 模型对训练数据中最多 4° 的波束失准具有鲁棒性，可实现无需重新训练的长期运行。
• 在线学习变体仅需 14.06 秒处理 1000 个信道相干间隔（相比分析方法的 25 秒），展现出更优的时间效率。
• F1 因其更简单的架构，在所有深度学习框架中计算时间最低，同时保持了优异性能。
• 所提方法显著降低了导频开销，使系统能以比现有技术更少的训练导频实现有效运行。