[论文解读] Channel Estimation via Direct Calculation and Deep Learning for RIS-Aided mmWave Systems

Fangqing Jiang, Liang Yang+2 more|arXiv (Cornell University)|Aug 2, 2020

Advanced Wireless Communication Technologies参考文献 16被引用 13

一句话总结

该论文提出了一种新型RIS辅助的毫米波系统，采用两种信道估计算法——直接计算（DC）和深度学习（DL）——通过聚焦于活跃单元的估计来降低复杂度。通过将信道与波束赋形角度参数估计解耦，该方法在均方误差（MSE）、可实现速率和中断概率方面优于传统波束训练，且DL进一步提升了角度估计的精度。

ABSTRACT

This paper proposes a novel reconfigurable intelligent surface (RIS) architecture which enables channel estimation of RIS-assisted millimeter wave (mmWave) systems. More specifically, two channel estimation methods, namely, direct calculation (DC) and deep learning (DL) methods, are proposed to skillfully convert the overall channel estimation into two tasks: the channel estimation and the angle parameter estimation of a small number of active elements. In particular, the direct calculation method calculates the angle parameters directly through the channel estimates of adjacent active elements and, based on it, the DL method reduces the angle offset rate and further improves the accuracy of angle parameter estimation. Compared with the traditional methods, the proposed schemes reduce the complexity of the RIS channel estimation while outperforming the beam training method in terms of minimum square error, achievable rate, and outage probability.

研究动机与目标

• 解决传统RIS辅助毫米波系统中信道估计复杂度高、精度低的问题。
• 通过聚焦于少量活跃单元，降低训练开销并提升估计精度。
• 开发一种低复杂度的信道估计算法框架，使其在关键性能指标上优于传统波束训练。
• 引入深度学习以优化角度参数估计，减少角度偏移误差。

提出的方法

• 将RIS辅助的毫米波信道建模为稀疏的视 Line-of-Sight（LoS）主导信道，仅包含少量活跃单元。
• 直接计算（DC）方法利用相邻活跃单元的信道估计结果，通过几何关系直接估算角度参数。
• 深度学习（DL）方法用于校正DC估计结果中的残余角度偏移，从而提升角度估计精度。
• 整体框架将信道估计分解为两个子任务：估计活跃单元的信道响应及其角度参数。
• 使用合成数据端到端训练DL模型，以最小化角度估计误差。
• 所提方法仅对活跃单元发送导频信号，从而减少所需导频数，降低训练开销。

实验结果

研究问题

• RQ1 如何在保持高精度的前提下降低RIS辅助毫米波系统中信道估计的复杂度？
• RQ2 能否通过相邻活跃单元的信道估计直接计算角度参数，为波束赋形提供可靠初始估计？
• RQ3 深度学习在直接计算基础上能将角度参数估计精度提升到何种程度？
• RQ4 与传统波束训练相比，所提方法在均方误差（MSE）、可实现速率和中断概率方面的性能表现如何？

主要发现

• 所提出的DC与DL方法通过仅关注活跃单元，相比传统方法显著降低了信道估计复杂度。
• DL增强方法有效降低了角度偏移率，从而提升了角度估计精度。
• 系统实现的最小均方误差（MSE）低于传统波束训练方法。
• 由于信道状态信息更准确，所提方案的可实现速率更高。
• 中断概率降低，表明在时变或稀疏信道环境中系统可靠性得到提升。
• DC-DL联合框架在不增加硬件复杂度的前提下，全面优于传统波束训练在各项关键性能指标上的表现。