[论文解读] Channel Estimation in Massive MIMO under Hardware Non-Linearities: Bayesian Methods versus Deep Learning

Özlem Tuğfe Demir, Emil Björnson|arXiv (Cornell University)|Nov 17, 2019

Advanced MIMO Systems Optimization参考文献 27被引用 54

一句话总结

本文提出了一种基于深度学习的导频信道与非线性失真方差估计算法，用于在基站和用户设备均存在三阶及以上非线性失真的大规模MIMO系统中进行性能优化。通过利用有效信道与失真相关性的解析模型，作者训练了前馈神经网络，其性能优于传统贝叶斯LMMSE估计器，尤其在用户数增加时表现更优，通过利用硬件失真结构而非将其视为独立噪声，显著降低了NMSE与BER。

ABSTRACT

This paper considers the joint impact of non-linear hardware impairments at the base station (BS) and user equipments (UEs) on the uplink performance of single-cell massive MIMO (multiple-input multiple-output) in practical Rician fading environments. First, Bussgang decomposition-based effective channels and distortion characteristics are analytically derived and the spectral efficiency (SE) achieved by several receivers are explored for third-order non-linearities. Next, two deep feedforward neural networks are designed and trained to estimate the effective channels and the distortion variance at each BS antenna, which are used in signal detection. We compare the performance of the proposed methods with state-of-the-art distortion-aware and -unaware Bayesian linear minimum mean-squared error (LMMSE) estimators. The proposed deep learning approach improves the estimation quality by exploiting impairment characteristics, while LMMSE methods treat distortion as noise. Using the data generated by the derived effective channels for general order of non-linearities at both the BS and UEs, it is shown that the deep learning-based estimator provides better estimates of the effective channels also for non-linearities more than order three.

研究动机与目标

• 研究基站与用户设备同时存在非线性硬件损伤对上行链路大规模MIMO性能的联合影响。
• 推导在任意阶准记忆多项式非线性模型下有效信道与失真相关矩阵的解析表达式。
• 设计基于深度学习的估计算法，利用硬件失真的结构特性，而非将其视为独立的彩色噪声。
• 证明基于深度学习的估计算法在估计精度与频谱效率方面显著优于传统LMMSE估计器。
• 验证在实际Rician衰落环境中，同一训练好的神经网络在不同信噪比（SNR）与用户数下具有良好的泛化能力。

提出的方法

• 采用Bussgang分解建模基站与用户设备的三阶非线性，推导出有效信道与失真相关矩阵。
• 基于一阶与二阶信道统计量，推导出考虑失真影响的LMMSE信道估计算法的解析表达式。
• 设计两个前馈神经网络：一个用于有效信道估计，一个用于失真方差估计，使用基于推导模型生成的合成数据进行训练。
• 训练网络以充分利用非线性失真的完整结构，包括其对期望信号的依赖性，而非将其建模为独立的彩色噪声。
• 将模型推广至更高阶（如7阶）准记忆多项式失真，并验证深度学习方法的鲁棒性。
• 实现并比较多种接收机（如RZF、MMSE）在使用完美CSI、LMMSE估计与基于深度学习的估计下的性能，评估误码率（BER）与频谱效率。

实验结果

研究问题

• RQ1 在基站与用户设备均存在三阶及以上非线性失真时，这些失真如何影响大规模MIMO系统中的有效信道估计？
• RQ2 基于深度学习的估计算法能否优于将失真视为独立彩色噪声的传统贝叶斯LMMSE估计算法？
• RQ3 随着用户数的增加，深度学习方法在多大程度上利用了硬件失真的结构特性？
• RQ4 基于深度学习的估计算法在不同信噪比（SNR）与不同阶数的非线性失真下具有多强的鲁棒性？
• RQ5 在某一信噪比范围内训练的深度学习模型，是否能在实际Rician衰落环境中良好泛化至其他信噪比条件？

主要发现

• 基于深度学习的信道估计算法在所有用户数下均显著降低NMSE，尤其在用户数增加时优势更明显，优于考虑失真与不考虑失真的LMMSE估计算法。
• 对于K = 20个用户设备与三阶非线性失真，与DuA-RZF（LMMSE）相比，深度学习估计算法将BER降低4至10倍；与DA-RZF（LMMSE）相比，降低1.5至4倍。
• 基于深度学习的失真方差估计算法相比LMMSE估计算法，NMSE提升10 dB（从-20 dB降至-30 dB）。
• 所提出的基于深度学习的估计算法在不同SNR水平下保持优异性能，且无需微调即可良好泛化。
• 使用基于深度学习估计的逐元素MMSE接收机（EW-DA-MMSE）相比使用LMMSE估计的DA-RZF，对第6与第7个用户设备的BER降低超过10倍。
• 在三阶非线性失真下训练的深度学习模型可有效泛化至七阶非线性失真，展现出对高阶非线性损伤的强鲁棒性。