[论文解读] Deep learning for location based beamforming with NLOS channels

Luc Le Magoarou, Taha Yassine+2 more|arXiv (Cornell University)|Jan 26, 2022

Millimeter-Wave Propagation and Modeling参考文献 32被引用 16

一句话总结

该论文提出了一种基于深度学习的、基于位置的波束成形方法，通过使用带有随机傅里叶特征（RFFs）的神经网络，将用户位置直接映射到预编码器，从而在视 Line-of-Sight (LOS) 和非视 Line-of-Sight (NLOS) 环境下均能实现精确波束成形。增强 RFF 的网络能够学习信道系数中的高频空间变化，与信道的中位相关性达到 0.946，显著优于经典 LBB 和标准 MLP 基线方法。

ABSTRACT

Massive MIMO systems are highly efficient but critically rely on accurate channel state information (CSI) at the base station in order to determine appropriate precoders. CSI acquisition requires sending pilot symbols which induce an important overhead. In this paper, a method whose objective is to determine an appropriate precoder from the knowledge of the user's location only is proposed. Such a way to determine precoders is known as location based beamforming. It allows to reduce or even eliminate the need for pilot symbols, depending on how the location is obtained. the proposed method learns a direct mapping from location to precoder in a supervised way. It involves a neural network with a specific structure based on random Fourier features allowing to learn functions containing high spatial frequencies. It is assessed empirically and yields promising results on realistic synthetic channels. As opposed to previously proposed methods, it allows to handle both line-of-sight (LOS) and non-line-of-sight (NLOS) channels.

研究动机与目标

• 解决经典基于位置的波束成形（LBB）方法仅依赖视 Line-of-Sight (LOS) 路径、在非视 Line-of-Sight (NLOS) 场景下失效的局限性。
• 通过仅根据用户位置确定预编码器，减少或消除大规模 MIMO 系统中的导频开销。
• 开发一种神经网络，能够学习由衰落引起的信道系数中的高频空间变化，而经典 MLP 无法捕捉这些变化。
• 在同时存在 LOS 和 NLOS 传播条件的复杂城市环境中实现鲁棒波束成形。
• 证明使用 RFF 的监督式深度学习方法，可通过标注的训练数据库在多样化传播环境中实现良好泛化能力。

提出的方法

• 训练深度神经网络，学习从用户位置（二维或三维）到单位范数预编码向量的直接映射。
• 使用随机傅里叶特征（RFFs）作为第一层，以编码空间频率信息，使网络能够建模高频信道变化。
• RFF 层通过随机基函数转换输入位置坐标：γ(l) = [cos(2πBl), sin(2πBl)]^T，其中 B 是随机采样的空间频率矩阵。
• 将 RFF 输出与深度为 Q=4、宽度为 M=512 的多层感知机（MLP）堆叠，使用 ReLU 激活函数，以学习复杂的非线性映射。
• 最后一层输出 2A 个实数，表示预测预编码向量 w 的实部和虚部。
• 使用随机梯度下降（Adam）在包含 10,000 个训练信道和位置的标注数据集上优化网络，最小化预测预编码器与实际信道之间的负相关性。

实验结果

研究问题

• RQ1 在用户位置和信道数据上进行训练的深度学习模型，能否在 LOS 和 NLOS 传播条件下均实现良好泛化？
• RQ2 与标准 MLP 相比，使用随机傅里叶特征（RFFs）是否能显著提升神经网络学习信道系数高频空间变化的能力？
• RQ3 所提出的基于 RFF 的 LBB 方法在预编码器-信道相关性方面，与经典 LBB 和标准深度学习基线方法相比表现如何？
• RQ4 在真实城市环境中，为实现高性能，所需训练数据的密度（单位面积内的训练信道数量）是多少？
• RQ5 通过仅利用位置信息，该方法能否在不依赖导频符号的情况下实现高 spectral efficiency？

主要发现

• 所提出的基于 RFF 的深度学习方法在 10,000 个合成信道的测试集上，预测预编码器与实际信道之间的中位相关性达到 0.946。
• 该性能显著优于经典 LBB（中位相关性：0.708）和标准 MLP 基线（中位相关性：0.714），尤其在 NLOS 区域表现更优。
• 空间性能地图显示，所提方法在 LOS 和 NLOS 区域均提供高相关性（黄色区域），而经典 LBB 在 NLOS 区域失效（蓝色区域）。
• 当训练信道数量超过 3,000 时，该方法在测试数据上开始表现良好，对应于 20,520 m² 区域内每 7 m² 约有一个训练样本。
• RFF 的使用使网络能够学习信道系数中的高频空间变化，而经典 MLP 由于谱偏差无法建模这些变化。
• 该方法对 LOS 路径缺失具有鲁棒性，并在多样化传播环境中表现出良好泛化能力，证明其在城市场景中实际部署的潜力。