[论文解读] Channel Estimation for Spatially/Temporally Correlated Massive MIMO Systems with One-Bit ADCs

Hwanjin Kim, Junil Choi|arXiv (Cornell University)|Oct 29, 2019

Advanced MIMO Systems Optimization参考文献 35被引用 30

一句话总结

本文提出了一种基于卡尔曼滤波的、适用于单比特ADC大规模MIMO系统的信道估计算法，该算法同时利用了空间相关性和时间相关性。通过应用布斯加ng分解对非线性单比特量化模型进行线性化，并将量化噪声建模为高斯分布，该方法实现了显著优于单次估计方法的连续估计性能。数值结果验证了该方法：随着时隙数增加，NMSE降低，且采用低复杂度截断多项式展开（TPE）近似时性能损失可忽略不计。

ABSTRACT

This paper considers the channel estimation problem for massive multiple-input multiple-output (MIMO) systems that use one-bit analog-to-digital converters (ADCs). Previous channel estimation techniques for massive MIMO using one-bit ADCs are all based on single-shot estimation without exploiting the inherent temporal correlation in wireless channels. In this paper, we propose an adaptive channel estimation technique taking the spatial and temporal correlations into account for massive MIMO with one-bit ADCs. We first use the Bussgang decomposition to linearize the one-bit quantized received signals. Then, we adopt the Kalman filter to estimate the spatially and temporally correlated channels. Since the quantization noise is not Gaussian, we assume the effective noise as a Gaussian noise with the same statistics to apply the Kalman filtering. We also implement the truncated polynomial expansion-based low complexity channel estimator with negligible performance loss. Numerical results reveal that the proposed channel estimators can improve the estimation accuracy significantly by using the spatial and temporal correlations of channels.

研究动机与目标

• 解决先前单比特ADC大规模MIMO信道估计算法中未充分利用时间相关性的问题。
• 提出一种联合利用空间与时间相关性的连续信道估计算法框架。
• 通过截断多项式展开（TPE）降低大规模系统中卡尔曼滤波的计算复杂度。
• 通过引入信道时变特性，使估计精度超越单次估计方法。

提出的方法

• 应用布斯加ng分解对非线性单比特量化模型进行线性化，将其转换为带有彩色噪声的线性模型。
• 将有效量化噪声建模为具有相同均值与协方差的高斯分布，以支持卡尔曼滤波。
• 实现基于卡尔曼滤波的估计器（KFB），通过时间相关性递归更新信道状态估计。
• 引入截断多项式展开（TPE）近似，以降低卡尔曼增益计算中矩阵求逆的复杂度。
• 利用导频序列与空间相关性矩阵估计，初始化状态与协方差矩阵。
• 分析基于TPE的估计器性能，并通过一阶近似推导其最小NMSE。

实验结果

研究问题

• RQ1 在单比特ADC大规模MIMO系统中，利用时间相关性是否能够使信道估计精度超越单次估计方法？
• RQ2 基于卡尔曼滤波的估计器在存在空间与时间相关性、且采用单比特量化时，性能表现如何？
• RQ3 截断多项式展开（TPE）近似在实现最小性能损失的前提下，能够将计算复杂度降低到何种程度？
• RQ4 当同时利用空间与时间相关性时，估计精度如何随连续时隙的增加而演变？
• RQ5 SNR与时间相关性对所提估计器性能有何影响？

主要发现

• 所提出的基于卡尔曼滤波的（KFB）估计器通过利用时间相关性，显著降低了归一化均方误差（NMSE），优于单次估计方法。
• KFB估计器的NMSE随时间槽数增加而降低，表明其在时间维度上的跟踪性能持续提升。
• 在高时间相关性与低SNR场景下，即使近似阶数较低（L=1），基于TPE的估计器性能也几乎与KFB估计器相当。
• 在低时间相关性与高SNR条件下，当使用L=2时，基于TPE的估计器仍能保持与KFB估计器相近的性能，表现出对多种环境的鲁棒性。
• 由于单比特量化噪声的存在，KFB估计器在高SNR下表现出饱和效应，导致NMSE无法进一步改善。
• 理论分析表明，在适度假设下，基于TPE的估计器的NMSE也随时间槽数增加而减小，验证了其收敛行为。