[论文解读] Deep Learning based Channel Estimation for Massive MIMO with Mixed-Resolution ADCs

Shen Gao, Peihao Dong+2 more|arXiv (Cornell University)|Aug 17, 2019

Wireless Signal Modulation Classification参考文献 13被引用 10

一句话总结

本文提出了一种基于深度学习的混合分辨率ADC大规模MIMO系统信道估计方法，引入了直接输入深度神经网络（DI-DNN）和选择性输入预测深度神经网络（SIP-DNN），后者利用高分辨率ADC信号来预测低分辨率ADC天线的信道。SIP-DNN在各种ADC分辨率配置下均优于传统方法，尤其在1-bit ADC情况下表现突出，且具有出色的鲁棒性。

ABSTRACT

In this article, deep learning is applied to estimate the uplink channels for mixed analog-to-digital converters (ADCs) massive multiple-input multiple-output (MIMO) systems, where a portion of antennas are equipped with high-resolution ADCs while others employ low-resolution ones at the base station. A direct-input deep neural network (DI-DNN) is first proposed to estimate channels by using the received signals of all antennas. To eliminate the adverse impact of the coarsely quantized signals, a selective-input prediction DNN (SIP-DNN) is developed, where only the signals received by the high-resolution ADC antennas are exploited to predict the channels of other antennas as well as to estimate their own channels. Numerical results show the superiority of the proposed DNN based approaches over the existing methods, especially with mixed one-bit ADCs, and the effectiveness of the proposed approaches on different ADC resolution patterns.

研究动机与目标

• 解决使用混合分辨率ADC（特别是1-bit ADC）的大规模MIMO系统中非线性失真和估计精度差的挑战。
• 克服传统线性估计方法（如LMMSE、EM-GM-GAMP）在处理低分辨率ADC带来的严重量化失真时的局限性。
• 开发基于深度学习的信道估计框架，以利用高分辨率与低分辨率ADC天线之间的空间相关性及非线性关系。
• 确保在不同ADC分辨率配置下（包括结构化块状与非结构化随机配置）均具备鲁棒性。
• 为实际的大规模MIMO系统提供一种实用且可扩展的混合ADC架构解决方案。

提出的方法

• 提出直接输入深度神经网络（DI-DNN），将高分辨率与低分辨率ADC天线的所有接收信号直接输入全连接深度神经网络，实现联合信道估计。
• 提出选择性输入预测深度神经网络（SIP-DNN），仅使用高分辨率ADC天线的信号来预测高分辨率与低分辨率天线的信道，避免低分辨率信号量化带来的性能退化。
• 利用深度神经网络建模高分辨率与低分辨率信道状态之间的非线性映射，捕捉传统方法难以处理的复杂空间相关性。
• 采用两阶段训练流程：首先从高分辨率信号中估计高分辨率信道状态，然后通过学习到的映射关系预测低分辨率信道状态。
• 采用基于归一化均方误差（NMSE）的损失函数，对DI-DNN与SIP-DNN分别设置高分辨率与低分辨率天线集合的独立NMSE指标。
• 评估SIP-CNN（卷积神经网络）等替代架构，以分析网络结构对性能的影响，结果表明其与全连接DNN性能相当。

实验结果

研究问题

• RQ1 深度学习能否有效缓解低分辨率ADC在大规模MIMO上行链路系统中导致的性能退化？
• RQ2 在混合ADC配置下，基于DNN的信道估计性能与传统线性方法（如LMMSE、EM-GM-GAMP）相比如何？
• RQ3 SIP-DNN方法（排除低分辨率ADC信号）是否在高信噪比或高分辨率场景下优于DI-DNN？
• RQ4 所提出的基于DNN的方法对不同ADC分辨率配置（如块状分布与随机分布）的鲁棒性如何？
• RQ5 基于系统参数（如信噪比与高分辨率ADC天线比例η）的最优权衡应在DI-DNN与SIP-DNN之间如何取舍？

主要发现

• SIP-DNN在所有信噪比（SNR）范围内均优于LMMSE与EM-GM-GAMP，且当高分辨率ADC天线比例η ≥ 0.4时性能最佳。
• 在混合1-bit ADC配置下，SIP-DNN的NMSE显著低于LMMSE与EM-GM-GAMP，尤其在高SNR时，后两者因量化失真导致误码平台（error floor）而性能下降。
• DI-DNN在中高SNR下优于LMMSE与EM-GM-GAMP，但其性能受低分辨率信号退化影响，尤其当η较小时更为明显。
• SIP-DNN在高SNR下亦无明显误码平台，证实其能有效避免粗量化的影响。
• 随着η的增加，SIP-DNN性能迅速提升；DI-DNN与SIP-DNN曲线的交点表明，系统设计者可根据SNR或η值在两者间切换以实现最优性能。
• 将SIP-DNN中的全连接DNN替换为CNN（即SIP-CNN）后，NMSE性能几乎完全一致，表明全连接结构已足够满足信道预测任务。