[论文解读] Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces

Shicong Liu, Zhen Gao+3 more|arXiv (Cornell University)|Jun 3, 2020

Advanced Wireless Communication Technologies参考文献 19被引用 17

一句话总结

本文提出一种基于深度去噪神经网络的压缩感知方法，用于太赫兹智能反射面（IRS）系统中低开销、高精度的信道估计。通过利用混合式无源/有源IRS架构，并在子载波间利用角域稀疏性，该方法采用复值DnCNN（CV-DnCNN）对SOMP算法的初步估计进行优化，实现高达4 dB的NMSE增益，在不同信噪比（SNR）和多径条件下均表现出鲁棒性能，且训练开销极低，推理时间快速。

ABSTRACT

Integrating large intelligent reflecting surfaces (IRS) into millimeter-wave (mmWave) massive multi-input-multi-ouput (MIMO) has been a promising approach for improved coverage and throughput. Most existing work assumes the ideal channel estimation, which can be challenging due to the high-dimensional cascaded MIMO channels and passive reflecting elements. Therefore, this paper proposes a deep denoising neural network assisted compressive channel estimation for mmWave IRS systems to reduce the training overhead. Specifically, we first introduce a hybrid passive/active IRS architecture, where very few receive chains are employed to estimate the uplink user-to-IRS channels. At the channel training stage, only a small proportion of elements will be successively activated to sound the partial channels. Moreover, the complete channel matrix can be reconstructed from the limited measurements based on compressive sensing, whereby the common sparsity of angular domain mmWave MIMO channels among different subcarriers is leveraged for improved accuracy. Besides, a complex-valued denoising convolution neural network (CV-DnCNN) is further proposed for enhanced performance. Simulation results demonstrate the superiority of the proposed solution over state-of-the-art solutions.

研究动机与目标

• 解决在射频链数量有限的太赫兹大规模MIMO系统中，高维无源IRS信道估计的挑战。
• 通过利用子载波间角域的共同稀疏性，降低宽带太赫兹IRS系统中的训练开销。
• 通过集成深度去噪神经网络，提升估计精度，超越传统压缩感知方法。
• 开发一种复值去噪网络（CV-DnCNN），具备优异的泛化能力和鲁棒性，适用于实际部署。
• 实现低复杂度、实时的信道估计，适用于大规模IRS部署，且硬件成本极低。

提出的方法

• 提出一种仅使用一个射频链的混合式无源/有源IRS架构，以降低硬件复杂度和功耗。
• 采用多载波导频传输方案，每个训练时隙仅激活一小部分IRS单元，以探测部分信道。
• 应用同时正交匹配追踪（SOMP）算法，利用多测量向量（MMV）特性，从有限测量中重构完整信道矩阵。
• 利用太赫兹信道在子载波间角域-时延域的共同稀疏性，提升重构精度。
• 引入复值去噪卷积神经网络（CV-DnCNN），对SOMP生成的初步估计进行优化，进一步提升估计精度。
• 使用5000组模拟信道样本，通过Adam优化器在150个周期内训练CV-DnCNN，学习率调度策略设置里程碑为[30, 60, 90, 120]，衰减因子为0.4。

实验结果

研究问题

• RQ1 仅使用少量射频链的混合式无源/有源IRS架构是否能在太赫兹系统中实现有效的信道估计？
• RQ2 在宽带IRS系统中，SOMP结合压缩感知方法在多子载波角域稀疏性下，能在多大程度上降低训练开销？
• RQ3 与传统实值DnCNN或基础CS方法相比，复值去噪网络（CV-DnCNN）在估计精度方面有何提升？
• RQ4 当CV-DnCNN模型应用于不同SNR或多径径络数量的未见信道条件时，其鲁棒性如何？
• RQ5 所提方法是否能实现高精度信道估计，且具备低计算延迟，适用于实时部署？

主要发现

• 与基线SOMP估计相比，使用CV-DnCNN进行优化后，NMSE增益高达4 dB。
• CV-DnCNN优于实值DnCNN，表明其具备更强的表征能力，因其可直接处理复值信道数据。
• CV-DnCNN表现出极强的鲁棒性：在10 dB SNR下预训练后，其在-10 dB至20 dB的SNR范围内均保持接近最优性能。
• 该模型对不同多径分量（MPCs）数量具有良好的泛化能力；在MPC数量与训练数据不同的信道中，性能保持稳定。
• 在i7-8700 CPU与NVIDIA 1060 Ti GPU上，使用CV-DnCNN处理单次信道估计的推理时间小于$1 \times 10^{-5}$秒。
• 即使IRS孔径增大，该方法仍保持有效性，性能退化更依赖于测量数$M$，而非IRS总单元数。