[论文解读] Cascaded Channel Estimation for Large Intelligent Metasurface Assisted Massive MIMO

Zhen-Qing He, Xiaojun Yuan|arXiv (Cornell University)|May 20, 2019

Advanced Wireless Communication Technologies参考文献 25被引用 36

一句话总结

本文提出一种两阶段的 JBF-MC 算法，通过将稀疏矩阵分解（BiG-AMP）和矩阵补全（Riemannian 梯度）相结合，来估计 LIM 辅助的大规模 MIMO 系统中级联的 BS-LIM 与 LIM-user 信道。

ABSTRACT

In this letter, we consider the problem of channel estimation for large intelligent metasurface (LIM) assisted massive multiple-input multiple-output (MIMO) systems. The main challenge of this problem is that the LIM integrated with a large number of low-cost metamaterial antennas can only passively reflect the incident signal by a certain phase shift, and does not have any signal processing capability. To deal with this, we introduce a general framework for the estimation of the transmitter-LIM and LIM-receiver cascaded channel, and propose a two-stage algorithm that includes a sparse matrix factorization stage and a matrix completion stage. Simulation results illustrate that the proposed method can achieve accurate channel estimation for LIM-assisted massive MIMO systems.

研究动机与目标

• 动机与实现对 LIM 辅助的 Massive MIMO 中在 LIM 元件为被动且无法处理信号的情形下的准确 CSI 获取。
• 将级联的 BS-LIM 和 LIM-user 信道表述为具有稀疏性和秩缺陷性的双线性分解。
• 开发一种两阶段算法，通过稀疏矩阵分解与矩阵补全来恢复 G 和 H。
• 通过仿真评估相对于基线方法的性能提升。

提出的方法

• 将 Y = G diag(s) H X + W 表述为 Y = G Z + W，其中 Z = S \bodot (H X) 以实现双线性分解。
• 设计带有随机伯努利 S 的训练信号以在 Z 中产生稀疏性，以及一个满秩的 X 以辅助因式分解。
• 使用 BiG-AMP 进行稀疏矩阵分解以从 Y 中估计 G 和 Z。
• 使用基于黎曼梯度的矩阵补全从 Z 中恢复 H，利用 H 的秩缺陷性质。
• Compute H as ϑind(ϑrom the completed A: ϑormat H = ϑrom A times X^†.
• 提供计算复杂度注释：BiG-AMP 在每次迭代中的复杂度为 O(L N T)，主导；RGrad 的成本为 O(r N T) 每迭代。

实验结果

研究问题

• RQ1 在 LIM 完全被动的情况下，如何准确估计级联的 BS-LIM 和 LIM-user 信道？
• RQ2 两阶段方法（结合稀疏矩阵分解和矩阵补全）是否能有效地恢复级联信道？
• RQ3 哪些训练信号设计（S 和 X）能够实现 LIM 辅助的 MIMO 的可靠因式分解和补全？
• RQ4 在不同的信噪比和导频数下，所提 JBF-MC 算法相对于基线方法在 NMSE 上的性能提升有哪些？

主要发现

• JBF-MC 算法实现了 LIM 辅助的大规模 MIMO 系统的精确级联信道估计。
• 基于 BiG-AMP 的稀疏分解在仿真中有效地从 Y 估计 G 和 Z，性能优于 K-SVD 和 SPAMS 基线。
• 通过 RGrad 的矩阵补全从 Z 中利用 H 的秩缺陷恢复 H，从而改善 LIM-user 信道的估计。
• NMSE 增益显著，尤其是在 G 的估计方面，横跨不同的 SNR 和导频配置。
• 在稀疏性水平上存在权衡：过小会妨碍矩阵补全，过大又妨碍因式分解（显示相变）。