[论文解读] Deep Learning Based Joint Pilot Design and Channel Estimation for Multiuser MIMO Channels

Chang-Jae Chun, Jae‐Mo Kang+1 more|arXiv (Cornell University)|Dec 10, 2018

Advanced MIMO Systems Optimization参考文献 6被引用 5

一句话总结

该论文提出了一种基于深度学习的多用户MIMO系统联合导频设计与信道估计方案，通过端到端训练联合优化非正交导频与非线性信道估计器，以最小化均方误差（MSE）。该方法通过学习的导频信号和具有逐次干扰消除（SIC）的深度神经网络估计器，有效抑制用户间干扰，在高信噪比（SNR）下显著优于最先进的线性LMMSE方案。

ABSTRACT

In this paper, we propose a joint pilot design and channel estimation scheme based on the deep learning (DL) technique for multiuser multiple-input multiple output (MIMO) channels. To this end, we construct a pilot designer using two-layer neural networks (TNNs) and a channel estimator using deep neural networks (DNNs), which are jointly trained to minimize the mean square error (MSE) of channel estimation. To effectively reduce the interference among the multiple users, we also use the successive interference cancellation (SIC) technique in the channel estimation process. The numerical results demonstrate that the proposed scheme considerably outperforms the state-of-the-art linear minimum mean square error (LMMSE) based channel estimation scheme.

研究动机与目标

• 解决当导频长度L小于用户总天线数M时，多用户MIMO系统中导频正交设计失效所导致的频谱效率低下问题。
• 克服传统线性估计器（如LMMSE）的局限性，其性能受限且不直接最小化MSE。
• 开发一种联合优化框架，同时设计导频与估计信道，以直接最小化信道估计的MSE。
• 在非正交导频条件与高干扰环境下，实现上行链路多用户MIMO系统中有效的信道估计，尤其当L < M时。
• 展示非线性深度学习方法在MSE性能与干扰抑制方面相对于线性方法的优越性。

提出的方法

• 构建一个两层神经网络（TNN），为多个用户生成非正交导频信号，并通过投影梯度下降法施加功率约束。
• 设计一个深度神经网络（DNN）用于非线性信道估计，与TNN联合训练以最小化信道估计的MSE。
• 将逐次干扰消除（SIC）集成到基于DNN的信道估计器中，以在估计过程中抑制用户间干扰。
• 使用随机梯度下降法对整个系统进行端到端训练，损失函数定义为训练数据上MSE的样本均值。
• 在每次梯度更新后，将更新后的导频向量投影到可行功率区域内，以施加功率约束。
• 采用离线训练，利用已知统计特性的信道与噪声样本，使系统可部署于多样化的实际信道环境。

实验结果

研究问题

• RQ1 基于深度学习的联合导频设计与信道估计框架是否能在L < M的多用户MIMO系统中优于传统的线性LMMSE方案？
• RQ2 通过端到端训练学习非正交导频序列是否能带来优于启发式或正交导频设计的MSE性能？
• RQ3 与线性估计器相比，基于非线性DNN的信道估计器在上行链路多用户MIMO中能在多大程度上降低用户间干扰？
• RQ4 随着SNR增加，所提方案与最先进的线性方案之间的性能差距如何演变？
• RQ5 通过深度学习联合优化导频与估计器，是否能在不假设导频设计的线性性或正交性的情况下实现更低的MSE？

主要发现

• 所提出的基于深度学习的方案在信道估计MSE方面显著优于最先进的线性LMMSE方案，尤其在高SNR下表现突出。
• 所提方案的MSE在约20个训练周期后趋于稳定，表明联合网络训练有效且可靠。
• 所提方案在仅约3个训练周期后即开始超越线性基线，表明能快速学习到有效的导频与估计模式。
• 随着SNR升高，所提方案与线性方案之间的性能差距进一步扩大，表明非线性估计器能更有效地利用高SNR条件来抑制干扰。
• 所学习的导频信号为非正交，且信道估计器为非线性，证实该方法成功避免了先前工作中固有的正交性与线性性假设。
• 在基于DNN的估计器中引入逐次干扰消除（SIC）能有效降低用户间干扰，从而显著提升MSE性能。