[论文解读] Beamspace Channel Estimation for Wideband Millimeter-Wave MIMO: A Model-Driven Unsupervised Learning Approach

Hengtao He, Rui Wang+4 more|arXiv (Cornell University)|Jun 30, 2020

Millimeter-Wave Propagation and Modeling被引用 9

一句话总结

该论文提出了一种模型驱动的无监督深度学习网络LDGEC，用于宽带毫米波MIMO系统中的波束域信道估计。通过利用Stein无偏风险估计器（SURE）损失，LDGEC可在无需真实信道数据的情况下进行训练，在仅使用少量射频链路和低分辨率ADC的情况下，性能仍优于基于压缩感知的方法。

ABSTRACT

Millimeter-wave (mmWave) communications have been one of the promising technologies for future wireless networks that integrate a wide range of data-demanding applications. To compensate for the large channel attenuation in mmWave band and avoid high hardware cost, a lens-based beamspace massive multiple-input multiple-output (MIMO) system is considered. However, the beam squint effect in wideband mmWave systems makes channel estimation very challenging, especially when the receiver is equipped with a limited number of radio-frequency (RF) chains. Furthermore, the real channel data cannot be obtained before the mmWave system is used in a new environment, which makes it impossible to train a deep learning (DL)-based channel estimator using real data set beforehand. To solve the problem, we propose a model-driven unsupervised learning network, named learned denoising-based generalized expectation consistent (LDGEC) signal recovery network. By utilizing the Stein's unbiased risk estimator loss, the LDGEC network can be trained only with limited measurements corresponding to the pilot symbols, instead of the real channel data. Even if designed for unsupervised learning, the LDGEC network can be supervisingly trained with the real channel via the denoiser-by-denoiser way. The numerical results demonstrate that the LDGEC-based channel estimator significantly outperforms state-of-the-art compressive sensing-based algorithms when the receiver is equipped with a small number of RF chains and low-resolution ADCs.

研究动机与目标

• 解决宽带毫米波MIMO系统中受限射频链路和低分辨率ADC下波束张力的问题。
• 实现在无真实信道数据用于训练的新环境中有效进行信道估计。
• 开发一种无需标注信道数据的基于深度学习的信道估计器，实现无监督训练。
• 提升在低复杂度硬件架构（如射频链路较少和低分辨率ADC）下的鲁棒性和性能。

提出的方法

• 提出一种基于学习去噪的广义期望一致（LDGEC）信号恢复网络，用于波束域毫米波信道估计。
• 采用Stein无偏风险估计器（SURE）损失，仅使用导频符号而无需真实信道数据即可实现无监督训练。
• 引入两种训练策略：逐去噪器训练和逐层训练，均使用SURE损失迭代估计噪声方差。
• 在展开的迭代优化框架中使用基于DnCNN的去噪器，以恢复稀疏波束域信道。
• 应用阻尼技术以提升在低分辨率ADC系统中的鲁棒性，阻尼因子采用指数衰减。
• 通过逐去噪器方法支持无监督和有监督微调，当有真实信道数据时可利用。

实验结果

研究问题

• RQ1 是否可以无需真实信道数据训练基于深度学习的信道估计器，从而实现在新且未见过的传播环境中的部署？
• RQ2 LDGEC网络在低精度ADC和有限射频链路下的表现如何，这在实际毫米波系统中是常见配置？
• RQ3 基于SURE的无监督训练在波束域毫米波MIMO系统中相比传统压缩感知算法的性能优势有多大？
• RQ4 与粗间隔的逐去噪器训练相比，逐层训练策略如何提升去噪性能？

主要发现

• 即使仅使用δ=1的测量比（即每射频链路一个导频），使用SURE损失的LDGEC网络在NMSE上显著低于最先进的压缩感知算法。
• LDGEC在δ=1时的表现优于SSD在δ=2时的表现，证明其在射频链路数量减少和导频开销降低情况下的强鲁棒性。
• 使用两比特ADC的LDGEC估计器在SNR < 10 dB时优于SSD算法在无限比特ADC下的表现，证明其在低分辨率系统中的有效性。
• 逐层训练通过为每层提供精确的噪声方差估计，提升了去噪精度，从而优于基于粗间隔的逐去噪器训练。
• LDGEC-SURE网络在低分辨率ADC下保持高性能，显示出在低成本、低功耗毫米波系统中的应用前景。
• 无监督的LDGEC框架可在无先前信道数据的新环境中实现部署，克服了数据驱动深度学习的关键局限。