[论文解读] Efficient Downlink Channel Probing and Uplink Feedback in FDD Massive MIMO Systems

Mahdi Barzegar Khalilsarai, Saeid Haghighatshoar+1 more|arXiv (Cornell University)|Aug 15, 2017

Advanced MIMO Systems Optimization参考文献 23被引用 5

一句话总结

该论文提出了一种新型的FDD大规模MIMO系统下行链路信道探测与上行链路反馈方案，利用无线环境的频率不变稀疏空间散射结构。通过从上行链路信道观测中估计散射函数的波束赋形支持，该方法实现了高效的信道探测，反馈开销与信道稀疏性成线性关系，而非与基站天线数量成线性关系，相比现有基于压缩感知的方法显著降低了反馈开销。

ABSTRACT

Massive Multiple-Input Multiple-Output (massive MIMO) is a variant of multi-user MIMO in which the number of antennas at each Base Station (BS) is very large and typically much larger than the number of users simultaneously served. Massive MIMO can be implemented with Time Division Duplexing (TDD) or Frequency Division Duplexing (FDD) operation. FDD massive MIMO systems are particularly desirable due to their implementation in current wireless networks and their efficiency in situations with symmetric traffic and delay-sensitive applications. However, implementing FDD massive MIMO systems is known to be challenging since it imposes a large feedback overhead in the Uplink (UL) to obtain channel state information for the Downlink (DL). In recent years, a considerable amount of research is dedicated to developing methods to reduce the feedback overhead in such systems. In this paper, we use the sparse spatial scattering properties of the environment to achieve this goal. The idea is to estimate the support of the continuous, frequency-invariant scattering function from UL channel observations and use this estimate to obtain the support of the DL channel vector via appropriate interpolation. We use the resulting support estimate to design an efficient DL probing and UL feedback scheme in which the feedback dimension scales proportionally with the sparsity order of DL channel vectors. Since the sparsity order is much less than the number of BS antennas in almost all practically relevant scenarios, our method incurs much less feedback overhead compared with the currently proposed methods in the literature, such as those based on compressed-sensing. We use numerical simulations to assess the performance of our probing-feedback algorithm and compare it with these methods.

研究动机与目标

• 为解决FDD大规模MIMO系统中上行链路反馈开销过高的问题，尽管其在对称流量和低时延场景中具有优势，但该问题限制了实际部署。
• 通过利用无线环境的稀疏空间散射特性来降低反馈开销，这些特性具有频率不变性，使得能够从上行链路信号中进行支持估计。
• 设计一种下行链路探测与反馈方案，使得反馈维度与下行链道信道向量的稀疏阶数成正比，而非与基站天线数量成正比。
• 在信道估计质量和反馈效率方面优于现有基于压缩感知的反馈方法。
• 通过在真实信道条件下进行数值仿真，验证所提方案，并与最先进的方法（如J-OMP和完整CSIT）进行比较。

提出的方法

• 从上行链路信道观测中估计连续的、频率不变的散射函数的支持，利用多径分量（MPCs）在不同频带中具有稳定波束方向的特性。
• 利用估计的支持设计一种结构化的下行链路探测矩阵，将能量集中在主要波束方向上，从而减少所需探测向量的数量。
• 应用插值技术，基于上行链路估计的散射函数支持预测下行链路信道向量的支持。
• 设计一种混合探测方案，结合高斯探测向量与结构化探测向量，其中结构化部分针对估计的支持，而高斯部分确保鲁棒性。
• 在基站端使用联合正交匹配追踪（J-OMP）进行信道恢复，利用支持估计来约束搜索空间，从而提高估计精度。
• 实现一种反馈机制，用户仅报告与估计支持相对应的信道系数，从而大幅降低反馈开销。

实验结果

研究问题

• RQ1 在FDD大规模MIMO系统中，能否利用上行链路信道观测准确估计下行链路信道散射函数的波束赋形支持？
• RQ2 利用空间散射函数的频率不变性，是否能相比传统压缩感知方法显著降低反馈开销？
• RQ3 所提探测与反馈方案在频谱效率和估计精度方面与J-OMP和完整CSIT相比表现如何？
• RQ4 当用户间存在共同多径分量（MPC）时，与依赖共同支持假设的方法相比，所提方案的性能表现如何？
• RQ5 反馈开销如何随探测向量数量变化？其与频谱效率之间的权衡关系如何？

主要发现

• 由于基于支持的子空间限制提升了信道估计性能，所提方法在低信噪比（SNR）区域显著优于J-OMP算法，频谱效率更高。
• 在低SNR条件下，混合探测方案甚至优于完整CSIT基准，因为基于支持的估计通过限制信号子空间降低了噪声影响。
• 当用户间不存在共同MPC时，所提方法与J-OMP之间的性能差距进一步扩大，因为J-OMP在共同支持假设被违反时性能下降。
• 反馈开销与信道向量的稀疏阶数成线性关系，远小于基站天线数量，从而实现了显著的开销降低。
• 所提方法的频谱效率在高SNR时趋于饱和，原因是信号泄漏超出估计支持范围，而完整CSIT的频谱效率仍随SNR线性增长。
• 数值结果表明，当存在共同MPC时，混合探测方案的频谱效率显著高于仅使用高斯探测的方案，因为其能更高效地将能量集中在主要波束方向上。