[论文解读] Compressive Sensing Techniques for Next-Generation Wireless Communications

Zhen Gao, Linglong Dai+4 more|arXiv (Cornell University)|Sep 6, 2017

Sparse and Compressive Sensing Techniques参考文献 13被引用 8

一句话总结

本文提出压缩感知（CS）技术，通过利用信号稀疏性，解决下一代无线网络中的高开销、高复杂度和高能耗问题。通过在大规模MIMO、毫米波通信、非正交多址（NOMA）和超密集网络中实现亚奈奎斯特采样，CS降低了信道估计、反馈和流量监控的开销，同时保持了可靠的信号重建。

ABSTRACT

A range of efficient wireless processes and enabling techniques are put under a magnifier glass in the quest for exploring different manifestations of correlated processes, where sub-Nyquist sampling may be invoked as an explicit benefit of having a sparse transform-domain representation. For example, wide-band next-generation systems require a high Nyquist-sampling rate, but the channel impulse response (CIR) will be very sparse at the high Nyquist frequency, given the low number of reflected propagation paths. This motivates the employment of compressive sensing based processing techniques for frugally exploiting both the limited radio resources and the network infrastructure as efficiently as possible. A diverse range of sophisticated compressed sampling techniques is surveyed and we conclude with a variety of promising research ideas related to large-scale antenna arrays, non-orthogonal multiple access (NOMA), and ultra-dense network (UDN) solutions, just to name a few.

研究动机与目标

• 解决由于带宽宽、大规模天线和超密集部署导致的下一代无线系统中采样、处理和反馈开销过高的问题。
• 通过利用信道冲激响应、频谱占用和流量负载中的信号稀疏性，克服5G中奈奎斯特采样方法的局限性。
• 通过稀疏感知的压缩感知技术，降低大规模MIMO和NOMA系统中信道估计和信号检测的复杂度。
• 通过利用干扰模式和流量负载矩阵中的稀疏性，最小化超密集网络中的反馈和能耗。
• 通过流量的低秩和稀疏建模实现预测和动态资源管理，从而实现节能的网络运行。

提出的方法

• 应用压缩感知从亚奈奎斯特采样中重建稀疏的信道冲激响应（CIR），以减少大规模MIMO系统中的信道探测开销。
• 利用空域中的稀疏性实现大规模MIMO波束成形，并在非正交多址（NOMA）的码本设计中利用稀疏性，以降低检测复杂度。
• 利用毫米波（mmWave）信道响应中的稀疏性，实现高效的波束训练和预编码，同时减少反馈开销。
• 将频谱占用和超宽带（UWB）信号建模为频域稀疏信号，实现低硬件和功耗成本的宽带感知。
• 应用低秩和稀疏感知的压缩感知技术对流量负载指示矩阵进行亚奈奎斯特重建，实现节能的网络管理。
• 采用分布式和集中式CS框架，最小化大规模随机接入和超密集网络中协同传输的反馈开销。

实验结果

研究问题

• RQ1 如何通过利用信道冲激响应中的稀疏性，使压缩感知在大规模MIMO系统中减少信道探测开销？
• RQ2 在信号结构（如NOMA中的码字或毫米波中的波束成形模式）中，稀疏性以何种方式可被利用以降低检测和反馈复杂度？
• RQ3 如何利用超密集网络中干扰基站和流量负载的稀疏性，以最小化小区间干扰和反馈开销？
• RQ4 对流量负载矩阵进行低秩建模是否能够通过亚奈奎斯特采样实现准确的重建和预测，从而实现节能的网络运行？
• RQ5 将基于CS的技术集成到实际5G系统中的关键挑战是什么，特别是复杂度、可靠性以及硬件兼容性方面？

主要发现

• 与传统的奈奎斯特采样相比，压缩感知能够在大规模MIMO系统中显著减少信道探测开销，同时实现对稀疏信道冲激响应的可靠重建。
• 在波束成形和NOMA信号结构中的稀疏性可降低信号检测复杂度，同时保持高 spectral efficiency。
• 在毫米波通信中，基于CS的波束训练可减少所需的导频信号和反馈量，从而提高频谱效率和能量效率。
• 通过低秩和时空压缩感知对流量负载矩阵进行亚奈奎斯特采样，可实现更少测量次数下的准确流量预测，并降低反馈开销。
• 超密集网络中干扰基站的稀疏性可被利用以减少协调信令，提高小区间干扰抑制效率。
• 基于CS的方法在减少下一代无线网络中的能耗和运营成本方面展现出巨大潜力，通过最小化采样、反馈和存储需求。