[论文解读] Deep Learning for Massive MIMO with 1-Bit ADCs: When More Antennas Need Fewer Pilots

Yu Zhang, Muhammad Alrabeiah+1 more|arXiv (Cornell University)|Oct 15, 2019

Advanced MIMO Systems Optimization参考文献 13被引用 7

一句话总结

本文提出了一种基于深度学习的大规模MIMO系统信道估计算法，适用于1-bit ADC，利用从量化导频测量到信道向量的可学习映射。令人惊讶的是，研究发现更多的基站天线会降低所需的导频开销——由于测量唯一性提高，可用更少的导频实现更好的估计性能，该结论已通过分析和仿真得到验证。

ABSTRACT

This paper considers uplink massive MIMO systems with 1-bit analog-to-digital converters (ADCs) and develops a deep-learning based channel estimation framework. In this framework, the prior channel estimation observations and deep neural network models are leveraged to learn the non-trivial mapping from quantized received measurements to channels. For that, we derive the sufficient length and structure of the pilot sequence to guarantee the existence of this mapping function. This leads to the interesting, and extit{counter-intuitive}, observation that when more antennas are employed by the massive MIMO base station, our proposed deep learning approach achieves better channel estimation performance, for the same pilot sequence length. Equivalently, for the same channel estimation performance, this means that when more antennas are employed, fewer pilots are required. This observation is also analytically proved for some special channel models. Simulation results confirm our observations and show that more antennas lead to better channel estimation both in terms of the normalized mean squared error and the achievable signal-to-noise ratio per antenna.

研究动机与目标

• 解决1-bit ADC大规模MIMO系统中训练开销过高的问题，传统方法需要较长的导频序列。
• 克服在上行链路大规模MIMO系统中使用1-bit ADC时，从高度量化、仅符号测量中估计信道的挑战。
• 开发一种深度学习框架，学习从量化测量到信道状态信息的非线性映射。
• 研究此类映射存在的基本条件，特别是所需的导频序列长度和结构。
• 揭示并证明一个反直觉的洞见：更多的天线会减少可靠信道估计所需的导频数量。

提出的方法

• 提出一种深度神经网络，将经过1-bit ADC后的上行导频测量量化结果映射为估计的信道向量。
• 推导出导频序列长度和角度结构的充分条件，以保证从信道到量化测量的双射映射存在。
• 使用复值信道和导频向量来建模相位差异，确保不同信道产生可区分的符号模式。
• 设计在复平面上均匀采样角度的导频序列，以最大化不同信道引起的量化测量之间的分离度。
• 通过分析证明：对于单径信道，所需导频长度与信道对之间的最小角间隔成反比。
• 通过仿真验证该框架，比较不同天线数量和导频长度下的归一化均方误差（NMSE）和每根天线的信噪比（SNR）。

实验结果

研究问题

• RQ1 在1-bit ADC大规模MIMO系统中，为确保从信道向量到量化测量的唯一映射，所需的最小导频序列长度和结构是什么？
• RQ2 深度学习能否有效学习从仅符号测量到完整信道状态信息的非平凡映射？
• RQ3 为何增加基站天线数量会导致相同估计性能下所需导频开销减少？
• RQ4 随着天线数量增加或导频长度延长，测量到信道映射的双射性如何改善？
• RQ5 在1-bit ADC大规模MIMO系统中，深度学习方法在最小导频开销下能多大程度上实现接近最优的性能？

主要发现

• 所提出的深度学习框架相比传统方法，显著降低了导频开销，实现了可靠的信道估计。
• 在相同导频长度下，增加基站天线数量可提升信道估计性能，表现为归一化均方误差（NMSE）降低。
• 仅使用2个导频时，随着天线数量增加，每根天线的信噪比（SNR）趋近理论上限。
• 仿真结果表明，10个导频在高维信道下仍能实现99.5%的信道状态区分成功率。
• 分析证明：所需导频长度满足 $ N \geq \left\lceil \frac{\pi}{2\alpha} \right\rceil $，其中 $ \alpha $ 为信道对之间的最小角间隔。
• 反直觉结论得到验证：更多天线可减少相同估计精度下所需的导频数量，原因在于量化测量的唯一性增强。