[论文解读] Beamspace Channel Estimation in mmWave Systems via Cosparse Image Reconstruction Technique

Jie Yang, Chao-Kai Wen+2 more|arXiv (Cornell University)|Jul 28, 2017

Millimeter-Wave Propagation and Modeling参考文献 34被引用 5

一句话总结

该论文提出了一种新型的基于SCAMPI算法并结合高斯混合概率建模（EM学习）的波束域信道估计算法，适用于3D透镜天线阵列毫米波系统。通过将波束域信道视为具有稀疏性和平滑性的二维图像，该方法在精度和收敛速度上优于OMP和支撑检测算法，且对10%的移相器减少具有鲁棒性，并在性能上优于均匀先验模型。

ABSTRACT

This paper considers the beamspace channel estimation problem in 3D lens antenna array under a millimeter-wave communication system. We analyze the focusing capability of the 3D lens antenna array and the sparsity of the beamspace channel response matrix. Considering the analysis, we observe that the channel matrix can be treated as a 2D natural image; that is, the channel is sparse, and the changes between adjacent elements are subtle. Thus, for the channel estimation, we incorporate an image reconstruction technique called sparse non-informative parameter estimator-based cosparse analysis AMP for imaging (SCAMPI) algorithm. The SCAMPI algorithm is faster and more accurate than earlier algorithms such as orthogonal matching pursuit and support detection algorithms. To further improve the SCAMPI algorithm, we model the channel distribution as a generic Gaussian mixture (GM) probability and embed the expectation maximization learning algorithm into the SCAMPI algorithm to learn the parameters in the GM probability. We show that the GM probability outperforms the common uniform distribution used in image reconstruction. We also propose a phase-shifter-reduced selection network structure to decrease the power consumption of the system and prove that the SCAMPI algorithm is robust even if the number of phase shifters is reduced by 10%.

研究动机与目标

• 解决大规模天线阵列毫米波系统中硬件复杂度高和训练开销大的问题。
• 利用3D透镜天线阵列的能量聚焦特性和波束域信道的稀疏性，实现高效信道估计。
• 通过引入高斯混合（GM）先验模型，改进现有压缩感知算法（如OMP和支撑检测）的性能。
• 通过提出一种减少移相器的选频网络，降低系统功耗。
• 在实际硬件约束（如减少射频链路和移相器）下，展示算法的鲁棒性和性能增益。

提出的方法

• 将波束域信道矩阵建模为具有稀疏性和平滑变化特性的二维自然图像，从而可应用图像重建技术。
• 采用基于稀疏非信息参数估计的SCAMPI算法，实现快速且精确的信道恢复。
• 引入高斯混合（GM）概率模型以表征信道分布，替代常用的均匀先验。
• 将EM学习算法嵌入SCAMPI中，迭代估计GM参数（λ, a, v），提升重建精度。
• 提出一种减少移相器的选频网络，以降低功耗，同时保持估计性能。
• 通过EM算法迭代更新后验概率和参数估计，实现λ、a和v的闭式更新。

实验结果

研究问题

• RQ1 SCAMPI算法结合GM-EM学习是否能在波束域毫米波信道估计算法中优于传统的压缩感知方法（如OMP和支撑检测）？
• RQ2 与均匀先验相比，使用高斯混合先验在信道估计精度方面有何提升？
• RQ3 在不降低估计性能的前提下，移相器数量最多可减少多少？
• RQ4 将波束域信道矩阵视为二维自然图像的图像重建视角，是否能实现更快、更精确的恢复？
• RQ5 将毫米波信道路径的平滑性和聚类特性融入估计框架，会产生何种影响？

主要发现

• 所提出的SCAMPI算法结合GM-EM学习在估计精度和收敛速度上均优于OMP和支撑检测算法。
• 使用高斯混合先验在重建精度和鲁棒性方面显著优于均匀先验。
• 即使移相器数量减少10%，该算法仍保持鲁棒性，展现出实际硬件环境下的适应能力。
• 减少移相器的选频网络能有效降低系统功耗，且不牺牲性能。
• 基于EM的GM模型参数学习实现了自适应和数据驱动的估计，提升了收敛速度和精度。
• 通过将波束域信道矩阵视为二维图像，有效利用了其内在的稀疏性和平滑性，实现了高性能重建。