[论文解读] Deep Learning-Based Channel Estimation for Double-RIS Aided Massive MIMO System

Mengbing Liu, Xin Li+4 more|arXiv (Cornell University)|Oct 22, 2022

Advanced Wireless Communication Technologies被引用 4

一句话总结

本文提出了一种用于双可重构智能表面（RIS）辅助大规模MIMO系统中基于深度学习的信道估计的跳跃连接注意力（SC-attention）网络。通过整合自注意力层与跳跃连接结构，该网络增强了特征表示能力并缓解了梯度消失问题，在低信噪比（SNR）条件下，与基线方法相比，归一化均方误差（NMSE）最高降低16%，展现出在高维级联信道估计中噪声环境下的优越准确性和鲁棒性。

ABSTRACT

Reconfigurable Intelligent Surface (RIS) is considered as an energy-efficient solution for future wireless communication networks due to its fast and low-cost configuration. In this letter, we consider the estimation of cascaded channels in a double-RIS aided massive multiple-input multiple-output system, which is a critical challenge due to the large number of antennas equipped at the base station and passive RIS elements. To tackle this challenge, we propose a skip-connection attention (SC-attention) network that utilizes self-attention layers and skip-connection structure to improve the channel estimation performance from the noisy pilot-based observations. Simulation results compare the proposed SC-attention network with other benchmark methods and show that SC-attention network can effectively improve the accuracy performance on normalized mean square error (NMSE) for cascaded links in a double-RIS aided system.

研究动机与目标

• 解决双RIS辅助大规模MIMO系统中大规模天线与被动RIS单元带来的高维、噪声信道估计挑战。
• 克服传统线性估计器（如LS、LMMSE）在低SNR环境和高维级联信道估计中的局限性。
• 通过深度学习建模噪声导频观测中的复杂非线性空间特征，提升估计准确性和鲁棒性。
• 整合自注意力机制与跳跃连接结构，以增强感受野大小、模型容量和神经网络中的梯度流动。
• 在不同SNR条件下，展示其相对于现有深度学习与传统估计器的优越性能。

提出的方法

• 将信道估计问题建模为去噪任务，其中输入为导频信号获得的级联信道矩阵的噪声观测。
• 设计一种跳跃连接注意力（SC-attention）网络，结合自注意力层以捕捉长程空间相关性并改善特征表示。
• 引入跳跃连接以保留低级特征，并在训练过程中防止梯度消失或爆炸，从而提升训练稳定性和性能。
• 采用类似残差网络的架构，将输入直接与注意力模块的输出拼接，以促进残差映射的学习。
• 使用包含120,000个样本、SNR范围从-10 dB到15 dB的大规模数据集进行端到端训练，以确保在多样化条件下的泛化能力。
• 采用归一化均方误差（NMSE）作为单跳与双反射链路的主要性能评估指标。

Figure 1: Illustration of the Double-RIS aided system model.

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在双RIS辅助大规模MIMO系统中对高维级联信道的估计性能上超越传统线性估计器（LS与LMMSE）？
• RQ2 集成自注意力层在增强感受野与模型容量方面，对估计精度的提升程度如何？
• RQ3 跳跃连接结构在缓解梯度问题与提升估计性能方面，特别是在低SNR区域，效果如何？
• RQ4 所提出的SC-attention网络在不同SNR水平下是否具备良好的泛化能力，并在噪声环境中保持鲁棒性？
• RQ5 在不同信道条件下，SC-attention网络相较于现有深度学习基线（如SF-CNN）在NMSE性能上表现如何？

主要发现

• 在-10 dB SNR条件下，SC-attention网络相比仅使用注意力机制的基线方法，NMSE最高降低16%，显著提升了低SNR环境下的性能。
• 在高SNR（15 dB）条件下，SC-attention网络与传统估计器之间的性能差距缩小，这符合预期（因噪声减少），但网络仍保持微弱优势。
• 注意力模块的可视化结果表明，从输入到输出，噪声强度逐步降低，证实了逐块去噪机制的有效性。
• SC-attention网络在所有SNR水平下均优于LS与LMMSE估计器，尤其在低SNR条件下，线性方法表现困难。
• 该网络还超越了SF-CNN基线，表明自注意力与跳跃连接的结合能够实现更优的特征学习与更高的估计精度。
• 所提方法在整个SNR范围（-10 dB至15 dB）内保持了鲁棒性与泛化能力，且在独立测试数据上得到验证。

Figure 2: Overview of the self-attention layer.