[论文解读] Deep Residual Network Empowered Channel Estimation for IRS-Assisted Multi-User Communication Systems

Chang Liu, Xuemeng Liu+2 more|arXiv (Cornell University)|Dec 1, 2020

Advanced Wireless Communication Technologies参考文献 26被引用 4

一句话总结

该论文提出了一种基于CNN的深度残差网络（CDRN），用于IRS辅助的多用户系统中的信道估计，将估计问题建模为去噪问题，以从含噪导频观测中恢复信道系数。该方法在无需信道分布知识的情况下，实现了接近理想MMSE估计器的近优性能，显著优于传统LS和LMMSE方法在精度和鲁棒性方面的表现。

ABSTRACT

Channel estimation is of great importance in realizing practical intelligent reflecting surface-assisted multi-user communication (IRS-MC) systems. However, different from traditional communication systems, an IRS-MC system generally involves a cascaded channel with a sophisticated statistical distribution, which hinders the implementations of the Bayesian estimators. To further improve the channel estimation performance, in this paper, we model the channel estimation as a denoising problem and adopt a data-driven approach to realize the channel estimation. Specifically, we propose a convolutional neural network (CNN)-based deep residual network (CDRN) to implicitly learn the residual noise for recovering the channel coefficients from the noisy pilot-based observations. In the proposed CDRN, a CNN denoising block equipped with an element-wise subtraction structure is designed to exploit both the spatial features of the noisy channel matrices and the additive nature of the noise simultaneously, which further improves the estimation accuracy. Simulation results demonstrate that the proposed method can almost achieve the same estimation accuracy as that of the optimal minimum mean square error (MMSE) estimator requiring the knowledge of the channel distribution.

研究动机与目标

• 解决由于复杂的级联信道模型导致的IRS辅助多用户通信系统中信道估计性能差的问题。
• 克服传统估计器（如MMSE和LMMSE）在高维、非瑞利衰落级联信道中计算成本高和训练开销大的问题。
• 开发一种数据驱动的非线性估计框架，提升精度，且无需额外硬件或训练开销。
• 在不依赖显式信道分布知识的前提下，实现接近最优MMSE估计器的估计性能。
• 设计一种深度残差网络架构，有效学习含噪信道观测中的空间特征和噪声特性。

提出的方法

• 将信道估计问题建模为去噪任务，目标是从基于导频的含噪观测中恢复真实信道矩阵。
• 提出一种基于卷积神经网络（CNN）的去噪残差网络（CDRN），其去噪模块采用逐元素减法结构以学习残差噪声。
• 将CNN去噪模块集成到深度残差网络（DRN）框架中，以实现分层特征学习并提升噪声抑制能力。
• 使用60,000个从真实IRS-MC系统模型生成的合成训练样本，端到端训练CDRN，该模型包含路径损耗、莱斯衰落和瑞利衰落分量。
• 基于最小均方误差准则推导CDRN-MMSE估计器，优化网络以最小化估计误差。
• 采用多阶段去噪机制，每个残差块逐步降低噪声方差，如输出特征图所示。

实验结果

研究问题

• RQ1 基于深度学习的方法是否能在无需信道分布先验知识的情况下，在IRS辅助的多用户系统中实现接近最优的信道估计性能？
• RQ2 与LS和LMMSE等线性估计器相比，基于CNN的去噪模块的残差学习架构在多大程度上提升了估计精度？
• RQ3 数据驱动的CDRN模型在具有复杂统计特性的高维级联信道矩阵中，能否有效抑制噪声？
• RQ4 与现有基于深度学习或基于导频的方案相比，所提出的CDRN方法是否在保持高估计精度的同时降低了训练开销？
• RQ5 CDRN架构中的分层去噪过程如何通过中间输出的可视化提升最终估计质量？

主要发现

• 所提出的CDRN方法的估计性能几乎与需要完整信道概率密度函数知识的最优MMSE估计器无法区分。
• CDRN显著优于传统的LS和LMMSE估计器，尤其在低信噪比（SNR）环境下，得益于其对空间信道特征的非线性建模能力。
• 二值反射控制的LMMSE（B-LMMSE）方法性能较差，原因是单元素激活导致接收信噪比较低，证实了改进训练策略的必要性。
• CDRN中间输出的可视化显示，噪声在各残差块中逐步减少，噪声像素在每阶段后变得越来越稀疏且局部化。
• CDRN的性能趋近于所关注信道的理论MMSE极限，尤其在用户到IRS链路（d_k）上，该链路遵循瑞利衰落模型。
• 该方法在各种信噪比（SNR）水平下均保持高精度，仿真结果基于100,000次蒙特卡罗实现实现平均，确保了统计可靠性。