[论文解读] Beamspace Channel Estimation in Terahertz Communications: A Model-Driven Unsupervised Learning Approach.

Hengtao He, Rui Wang+3 more|arXiv (Cornell University)|Jun 30, 2020

Terahertz technology and applications参考文献 41被引用 6

一句话总结

本文提出了一种模型驱动的无监督学习框架 LDGEC，用于宽带太赫兹 MIMO 系统中的波束空间信道估计。通过利用 Stein 的无偏风险估计器损失（SURE），LDGEC 仅需导频符号和有限测量即可实现训练，无需在预训练阶段使用真实信道数据，且在低射频链路和低分辨率 ADC 约束下，性能显著优于压缩感知方法。

ABSTRACT

Terahertz (THz)-band 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 THz band and avoid high hardware cost, a lens-based beamspace massive multiple-input multiple-output (MIMO) system is considered. However, the beam squint effect appeared in wideband THz systems, making 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 THz 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 Steins 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

• 解决宽带太赫兹 MIMO 系统中波束张力（beam squint）带来的信道估计精度下降问题。
• 克服在新环境中部署前难以获取真实信道数据的现实困难，这是监督式深度学习的主要障碍。
• 设计一种无需真实信道数据即可训练的信道估计器，从而实现在未见过环境中的部署。
• 在射频链路有限和低分辨率 ADC 等硬件约束下提升估计精度。
• 开发一种即使仅能使用导频符号和有限测量进行训练，仍能保持高性能的方法。

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，用于波束空间信道估计。
• 利用 Stein 的无偏风险估计器（SURE）损失，实现仅依赖导频符号和测量数据的无监督训练。
• 设计网络通过去噪过程隐式学习信道结构，无需真实信道矩阵作为监督信号。
• 支持混合训练策略，允许在后续通过“逐去噪器”方式使用真实信道数据对网络进行微调。
• 将波束空间 MIMO 系统模型中的模型驱动先验知识融入神经网络架构，以提升泛化能力。
• 采用一种损失函数，可在无实际信道信息的情况下估计真实重建误差。

实验结果

研究问题

• RQ1 能否仅依赖导频符号和测量数据，而无需真实信道数据，训练基于深度学习的信道估计器？
• RQ2 在低射频链路和低分辨率 ADC 配置下，LDGEC 网络在波束空间信道估计中的表现如何？
• RQ3 基于 SURE 的无监督训练策略在多大程度上减少了太赫兹系统中对标注信道数据的需求？
• RQ4 与最先进的基于压缩感知的算法相比，LDGEC 在估计精度方面表现如何？
• RQ5 LDGEC 框架在无监督预训练后，能否有效利用真实信道数据进行微调？

主要发现

• 在低射频链路和低分辨率 ADC 条件下，LDGEC 网络的信道估计性能显著优于最先进的基于压缩感知的算法。
• 仅使用导频符号和测量数据进行无监督训练，即可实现有效的信道估计，且无需在预训练阶段获取真实信道数据。
• 基于 SURE 的损失函数可在无真实信道信息的情况下准确估计重建误差，使无监督学习成为可能。
• LDGEC 框架支持“逐去噪器”微调策略，当真实信道数据可用时，可实现监督式性能提升。
• 模型驱动的设计增强了在未见部署环境中的泛化能力和鲁棒性。
• 数值结果表明，LDGEC 即使在硬件资源有限的情况下仍能保持高精度，适用于实际太赫兹系统。