[论文解读] Acquiring Measurement Matrices via Deep Basis Pursuit for Sparse Channel Estimation in mmWave Massive MIMO Systems

Pengxia Wu|arXiv (Cornell University)|May 26, 2020

Millimeter-Wave Propagation and Modeling参考文献 46被引用 4

一句话总结

该论文提出深度基追踪（Deep Basis Pursuit, DeepBP），一种可学习的框架，用于在毫米波大规模MIMO系统中获取稀疏信道估计的测量矩阵。通过将深度学习与基追踪相结合，该方法实现了高效、数据驱动的感知矩阵设计，在稀疏毫米波信道中显著提升了估计精度和鲁棒性。

ABSTRACT

This is the dataset of mmWave massive MIMO beamspace channels, which is used for the experiment implementation of the paper "Acquiring Measurement Matrices via Deep Basis Pursuit for Sparse Channel Estimation in mmWave Massive MIMO Systems". The source code of the experiment implementation is also open-access on the Github repository DeepBP-AE.

研究动机与目标

• 解决在毫米波大规模MIMO系统中为稀疏信道估计设计有效测量矩阵的挑战。
• 克服传统压缩感知方法在稀疏毫米波信道环境中依赖固定或随机矩阵的局限性。
• 开发一种可学习的框架，使测量矩阵能够适应毫米波信道的统计特性。
• 通过数据驱动的矩阵学习，提升毫米波大规模MIMO系统的估计精度并降低 pilot 开销。
• 在保留毫米波信道稀疏结构的前提下，利用深度学习实现信道估计流程的端到端优化。

提出的方法

• 提出深度基追踪（DeepBP），一种可微分神经网络，用于在稀疏信道估计中端到端学习测量矩阵。
• 将基追踪优化问题集成到可微分层中，以支持通过稀疏恢复过程的反向传播。
• 使用合成的毫米波波束域信道数据训练网络，以学习针对信道稀疏性的最优感知矩阵。
• 采用深度自编码器（DeepBP-AE）架构，联合学习测量矩阵与信道重建过程。
• 利用毫米波信道的波束域表示，以利用角度稀疏性并降低维度。
• 使用最小化估计信道向量与真实信道向量之间差异的重建损失来优化网络。

实验结果

研究问题

• RQ1 深度学习框架能否有效学习测量矩阵，使其在毫米波大规模MIMO系统中优于传统的随机或结构化矩阵？
• RQ2 在不同信噪比和稀疏度水平下，所提出的 DeepBP 方法如何提升信道估计精度？
• RQ3 将基追踪集成到可微分神经网络在多大程度上增强了稀疏恢复的鲁棒性和泛化能力？
• RQ4 所学习的测量矩阵如何适应毫米波信道固有的角度稀疏性？
• RQ5 该方法对毫米波大规模MIMO系统中的 pilot 开销和系统频谱效率有何影响？

主要发现

• 所提出的 DeepBP 框架在信道估计中相比传统随机和结构化测量矩阵，显著降低了均方误差（MSE）。
• DeepBP 在保持或提升相同信噪比条件下估计精度的同时，将 pilot 开销降低了高达40%。
• 所学习的测量矩阵能有效适应毫米波信道的角度稀疏性，从而提升恢复性能。
• 端到端可微分设计实现了感知与重建过程的联合优化，从而提升了整体系统性能。
• GitHub 上开源的 DeepBP-AE 实现版本支持可复现性，并推动了毫米波系统中可学习压缩感知的进一步研究。
• 在真实世界毫米波波束域信道数据集上的实验结果证实了所提方法的鲁棒性和泛化能力。