[论文解读] Deep Learning-Based Channel Estimation for High-Dimensional Signals

Eren Balevi, Jeffrey G. Andrews|arXiv (Cornell University)|Apr 19, 2019

Wireless Signal Modulation Classification参考文献 13被引用 28

一句话总结

本文提出了一种新颖的、无需训练的基于深度学习的信道估计算法，适用于正交频分复用（OFDM）和大规模MIMO等高维信号，该方法利用深度图像先验（DIP）以捕捉时频域相关性。通过仅使用导频符号在线拟合深度神经网络（DNN）参数——无需标注训练数据——该方法在仅略高于最小二乘（LS）估计复杂度的情况下实现了接近MMSE的性能，同时将导频开销降低了高达98%。

ABSTRACT

We propose a novel deep learning-based channel estimation technique for high-dimensional communication signals that does not require any training. Our method is broadly applicable to channel estimation for multicarrier signals with any number of antennas, and has low enough complexity to be used in a mobile station. The proposed deep channel estimator can outperform LS estimation with nearly the same complexity, and approach MMSE estimation performance to within 1 dB without knowing the second order statistics. The only complexity increase with respect to LS estimator lies in fitting the parameters of a deep neural network (DNN) periodically on the order of the channel coherence time. We empirically show that the main benefit of this method accrues from the ability of this specially designed DNN to exploit correlations in the time-frequency grid. The proposed estimator can also reduce the number of pilot tones needed in an OFDM time-frequency grid, e.g. in an LTE scenario by 98% (68%) when the channel coherence time interval is 73ms (4.5ms).

研究动机与目标

• 解决在OFDM和大规模MIMO系统中高维信道估计的挑战，同时将导频开销降至最低。
• 开发一种无需信道二阶统计特性知识或标注训练数据即可实现接近MMSE性能的信道估计算法。
• 通过利用时频信号相关性，实现可扩展的、低复杂度的信道估计，适用于移动台。

提出的方法

• 该方法采用深度图像先验（DIP）框架，直接在接收信号和导频符号上拟合专门设计的DNN参数，无需预训练。
• DNN通过学习时频域中信道的潜在结构，生成接收信号的去噪版本。
• 通过将DNN生成的信号与导频符号逐元素相除，计算出估计的信道，其方式类似于LS估计。
• 该架构采用参数共享机制，确保其可扩展性与子载波数量无关，从而在大规模系统中仍保持低复杂度。
• DNN在每个信道相干时间内通过数百轮迭代优化，无需外部训练数据集。
• 该方法适用于SISO-OFDM、大规模MIMO-OFDM以及任意多天线配置，且对信道统计特性无任何假设。

实验结果

研究问题

• RQ1 基于深度学习的信道估计算法是否能在无需标注训练数据或信道统计特性知识的情况下实现接近MMSE的性能？
• RQ2 DNN在高维OFDM信号中多大程度上能有效利用时频相关性以降低估计误差？
• RQ3 基于DNN的方法在保持高估计精度的前提下，最多能将导频开销降低到何种程度？
• RQ4 在大规模MIMO系统中，随着子载波数和天线数的增加，该方法的可扩展性如何？
• RQ5 信道相关性结构（例如i.i.d.与实际信道）对DNN估计算法性能有何影响？

主要发现

• 即使在缺乏二阶统计特性知识的情况下，所提估计算法与MMSE估计的性能差距仍小于1 dB。
• 在LTE类OFDM系统中，当信道相干时间为73 ms时，该方法将导频音节数减少了98%（从100%降至2%）。
• 在4.5 ms的相干时间内，导频开销减少达68%，显著提升了频谱效率。
• 该估计算法仅以极小的计算复杂度增加，优于LS估计。
• DNN的成功归因于其对时频相关性的有效利用，这一点在i.i.d.频率域抽头情况下表现不佳的实验中得到验证。
• 该方法对天线相关性具有鲁棒性，在16天线基站的大量MIMO上行链路场景中仍能保持高性能。