[论文解读] Deep Learning based Joint Precoder Design and Antenna Selection for Partially Connected Hybrid Massive MIMO Systems

Salman Khalid, Waqas Bin Abbas+1 more|arXiv (Cornell University)|Feb 2, 2021

Millimeter-Wave Propagation and Modeling参考文献 17被引用 4

一句话总结

该论文提出了一种基于深度学习的联合预编码器设计与波束选择方案，适用于毫米波频段的混合大规模MIMO系统。通过使用两个级联的卷积神经网络——一个用于分类最优天线子集，另一个用于回归模拟预编码器权重——该方法在频谱效率方面优于传统的交替最小化和SIC算法，且计算延迟显著降低，对于144根天线的系统，预测时间仅为0.01秒。

ABSTRACT

Efficient resource allocation with hybrid precoder design is essential for massive MIMO systems operating in millimeter wave (mmW) domain. Owing to a higher energy efficiency and a lower complexity of a partially connected hybrid architecture, in this letter, we propose a joint deep convolutional neural network (CNN) based scheme for precoder design and antenna selection of a partially connected massive MIMO hybrid system. Precoder design and antenna selection is formulated as a regression and classification problem, respectively, for CNN. The channel data is fed to the first CNN network which outputs a subset of selected antennas having the optimal spectral efficiency. This subset is again fed to the second CNN to obtain the block diagonal precoder for a partially connected architecture. Simulation results verifies the superiority of CNN based approach over conventional iterative and alternating minimization (alt-min) algorithms. Moreover, the proposed scheme is computationally efficient and is not very sensitive to channel irregularities.

研究动机与目标

• 解决传统迭代算法在部分连接大规模MIMO系统中混合预编码器设计时计算复杂度高且性能次优的问题。
• 通过联合优化预编码器设计与激活天线选择，实现在5G和B5G毫米波系统中节能且低延迟的资源分配。
• 克服现有深度学习方法仅关注全连接架构的局限性，将其扩展至部分连接的混合结构。
• 通过使用深度学习实现智能、数据驱动的激活天线与预编码器权重选择，降低系统复杂度并提升频谱效率。

提出的方法

• 提出一种两阶段深度卷积神经网络（CNN）框架：第一阶段CNN通过分类完成波束选择，第二阶段CNN通过回归实现模拟预编码器设计。
• 第一阶段CNN的输入为带噪声的信道矩阵，表示为大小为$N_R \times N_T \times 3$的三维张量，以捕捉实部、虚部和噪声分量。
• 第二阶段CNN接收选定的$N_r$根天线子集，并输出$N_T \times N^{RF}_T$模拟预编码器$\mathbf{F}_{RF}$的非零元素，随后将其排列为分块对角结构。
• 在获得$\mathbf{F}_{RF}$后，通过等效信道方法计算数字预编码器$\mathbf{F}_{BB}$。
• 两个CNN均使用合成信道实现和通过SVD与频谱效率最大化生成的标签数据进行离线训练。
• 训练采用随机梯度下降，波束选择使用交叉熵损失，预编码器回归使用均方误差损失，激活函数采用ReLU，并引入Dropout层进行正则化。

实验结果

研究问题

• RQ1 能否基于深度学习方法，在部分连接的毫米波大规模MIMO系统中联合优化波束选择与混合预编码器设计？
• RQ2 所提出的基于CNN的方法在频谱效率和计算延迟方面，与传统的SDR基交替最小化算法和SIC算法相比表现如何？
• RQ3 该基于CNN的方法在信道不规则性和不同阵列尺寸下具备多强的鲁棒性？
• RQ4 与迭代优化技术相比，该方法是否能以显著降低的计算复杂度实现高频频谱效率？

主要发现

• 所提出的基于CNN的混合预编码器在频谱效率方面优于基于SDR的交替最小化算法和SIC算法，尤其在高信噪比（SNR）条件下表现更优。
• 对于$N_T = 144$，在相同条件下，基于CNN的预编码器相比SIC和SDR方法实现了超过1.5 bps/Hz的频谱效率增益。
• 基于CNN的预编码器在线预测仅需0.01秒，而SDR交替最小化需1.6秒，SIC需0.02秒，展现出显著优越的计算效率。
• 波束选择模块（DAS）显著优于随机波束选择（RAS），在高SNR区域频谱效率增益超过2 bps/Hz。
• 该方法对信道不规则性具有鲁棒性，并在不同阵列配置下（包括$N_T = 36$和$N_T = 144$）均保持高性能。
• CNN的离线训练确保了在线推理速度快且可扩展，使该方法适用于5G和B5G毫米波系统的实时应用。