[论文解读] Channel Vector Subspace Estimation from Low-Dimensional Projections

Saeid Haghighatshoar, Giuseppe Caire|arXiv (Cornell University)|Sep 24, 2015

Advanced MIMO Systems Optimization参考文献 31被引用 10

一句话总结

该论文提出了一种基于互质采样的新算法，仅通过 $ m = O(2\sqrt{M}) $ 个低维投影，即可估计大规模 MIMO 系统中主导的 $ p $-维信道子空间，实现与完全已知协方差矩阵性能相当的近似最优性能。该方法通过降低硬件复杂度，在联合空间复用与多址接入（JSDM）中实现了高效的混合数字-模拟波束成形，同时保持了高 spectral efficiency 和低训练开销。

ABSTRACT

Massive MIMO is a variant of multiuser MIMO where the number of base-station antennas $M$ is very large (typically 100), and generally much larger than the number of spatially multiplexed data streams (typically 10). Unfortunately, the front-end A/D conversion necessary to drive hundreds of antennas, with a signal bandwidth of the order of 10 to 100 MHz, requires very large sampling bit-rate and power consumption. In order to reduce such implementation requirements, Hybrid Digital-Analog architectures have been proposed. In particular, our work in this paper is motivated by one of such schemes named Joint Spatial Division and Multiplexing (JSDM), where the downlink precoder (resp., uplink linear receiver) is split into the product of a baseband linear projection (digital) and an RF reconfigurable beamforming network (analog), such that only a reduced number $m \ll M$ of A/D converters and RF modulation/demodulation chains is needed. In JSDM, users are grouped according to the similarity of their channel dominant subspaces, and these groups are separated by the analog beamforming stage, where the multiplexing gain in each group is achieved using the digital precoder. Therefore, it is apparent that extracting the channel subspace information of the $M$-dim channel vectors from snapshots of $m$-dim projections, with $m \ll M$, plays a fundamental role in JSDM implementation. In this paper, we develop novel efficient algorithms that require sampling only $m = O(2\sqrt{M})$ specific array elements according to a coprime sampling scheme, and for a given $p \ll M$, return a $p$-dim beamformer that has a performance comparable with the best p-dim beamformer that can be designed from the full knowledge of the exact channel covariance matrix. We assess the performance of our proposed estimators both analytically and empirically via numerical simulations.

研究动机与目标

• 解决由于需要数百个 A/D 转换器和射频链路而导致大规模 MIMO 系统硬件复杂度过高的挑战。
• 在混合数字-模拟（HDA）架构中实现高效的信道子空间估计，尤其适用于联合空间复用与多址接入（JSDM）。
• 开发一种低开销方法，仅从全 $ M $-维信道向量的 $ m < M $ 个投影中估计主导的 $ p $-维信号子空间。
• 尽管采样受限，仍实现与基于完整信道协方差矩阵 $ \mathbf{S} $ 设计的理想波束成形器性能相近的结果。
• 在时变与频率选择性衰落环境中，保持高复用增益和频谱效率的同时，最小化训练开销与采样率。

提出的方法

• 提出一种互质采样方案，从 $ M $-元素阵列中选择 $ m = O(2\sqrt{M}) $ 个特定阵元进行投影。
• 采用低维观测模型，基站通过随机投影矩阵 $ \mathbf{B} $ 接收 $ M $-维信道向量的 $ m $-维投影。
• 建立近似最大似然（AML）估计问题，从投影数据中恢复信号子空间。
• 通过半定规划（SDP）求解子空间估计问题，联合估计协方差矩阵 $ \widetilde{\mathbf{S}} $ 和对偶变量 $ \mathbf{W} $，并确保半正定性。
• 利用舒尔补条件在 SDP 中施加约束，确保逆协方差估计的稳定性。
• 通过迹范数与谱范数不等式推导子空间估计误差的理论界，表明当 $ T \to \infty $ 时，估计子空间收敛于真实子空间。

实验结果

研究问题

• RQ1 能否仅通过 $ m = O(2\sqrt{M}) $ 个低维投影，准确估计大规模 MIMO 信道的主导 $ p $-维信号子空间？
• RQ2 所提出的子空间估计器性能与基于完整信道协方差矩阵知识设计的最优波束成形器相比如何？
• RQ3 在基于 JSDM 的大规模 MIMO 系统中，实现近似最优性能所需的最少投影数 $ m $ 是多少？
• RQ4 估计误差如何随训练符号数 $ T $、信噪比（SNR）以及系统维度 $ M $ 和 $ p $ 变化？
• RQ5 在相干时间 $ D $ 较小的快衰落或毫米波信道中，该方法能否保持高频谱效率与复用增益？

主要发现

• 所提方法的子空间估计性能与最优波束成形器的差距在 $ 1 - \frac{4\sqrt{2p}\xi}{\eta_p\sqrt{T}}(1 + \frac{1}{{\mathsf{snr}}}) $ 以内，其中 $ \Gamma_p \in [0,1] $ 表示子空间对齐度量。
• 该方法仅需 $ m = O(2\sqrt{M}) $ 个投影，与全数字波束成形相比，显著减少了所需的 A/D 转换器与射频链路数量。
• 数值仿真表明，所提估计器在 JSDM 系统中可实现近乎理想性能，与已知完整信道协方差矩阵的情况非常接近。
• 理论分析证实，估计误差以 $ O(1/\sqrt{T}) $ 的速率衰减，其界依赖于 $ p $、$ \xi $、$ \eta_p $ 和 SNR。
• 该方法对信道相关性具有鲁棒性，在大多普勒扩展与短相干时间的毫米波频段中仍能保持高性能。
• 基于 SDP 的估计器确保了半正定性与稳定性，且在近似最大似然准则下解具有可证明最优性。