[论文解读] Efficient MIMO Detection with Imperfect Channel Knowledge - A Deep Learning Approach

Qian Chen, Shunqing Zhang+2 more|arXiv (Cornell University)|Mar 19, 2019

Advanced MIMO Systems Optimization参考文献 19被引用 4

一句话总结

该论文提出了一种基于深度神经网络（DNN）的MIMO检测方法，在检测精度与计算复杂度之间实现了优越的权衡，尤其在信道状态信息（CSI）不完善的情况下表现更优。通过直接使用DNN学习从接收信号到发射比特的端到端映射，该方法在误比特率（BER）性能和对CSI不完善的鲁棒性方面优于传统的ZF、MMSE和DetNet方法，同时保持了接近ZF的吞吐量水平。

ABSTRACT

Multiple-input multiple-output (MIMO) system is the key technology for long term evolution (LTE) and 5G. The information detection problem at the receiver side is in general difficult due to the imbalance of decoding complexity and decoding accuracy within conventional methods. Hence, a deep learning based efficient MIMO detection approach is proposed in this paper. In our work, we use a neural network to directly get a mapping function of received signals, channel matrix and transmitted bit streams. Then, we compare the end-to-end approach using deep learning with the conventional methods in possession of perfect channel knowledge and imperfect channel knowledge. Simulation results show that our method presents a better trade-off in the performance for accuracy versus decoding complexity. At the same time, better robustness can be achieved in condition of imperfect channel knowledge compared with conventional algorithms.

研究动机与目标

• 为解决实际5G和LTE系统中常见的不完善信道状态信息（CSI）下的鲁棒MIMO检测挑战。
• 开发一种高效的深度学习框架，与传统的线性及非线性MIMO检测器相比，可显著降低解码复杂度并保持高检测精度。
• 评估深度学习模型在处理不完善CSI时的泛化能力，其中传统方法会遭受显著的性能下降。
• 对比DNN与CNN架构在MIMO检测中的表现，识别出更有效且高效的方案。
• 证明所提出的基于DNN的方法在实现接近ZF吞吐量的同时，显著优于传统方案的BER性能。

提出的方法

• 训练一个深度神经网络（DNN），以学习从接收信号和信道矩阵估计到检测比特流的非线性映射，避免显式信道逆矩阵计算或迭代检测。
• 使用已知发射符号和模拟衰落信道生成的标签数据，对DNN进行端到端训练，使其能够在不完善的CSI条件下实现良好泛化。
• 网络架构设计为轻量化，仅采用全连接层，避免了如DetNet等先前工作中使用的卷积层带来的计算开销。
• 该方法仅依赖接收端信息，包括接收信号向量和估计的信道矩阵，无需发射端的训练数据。
• 在完美和不完美CSI场景下，使用误比特率（BER）和吞吐量指标评估性能。
• 在2×2和4×4 MIMO系统中，采用QPSK和BPSK调制，将DNN与ZF、MMSE、ML和DetNet进行对比。

实验结果

研究问题

• RQ1 基于深度学习的MIMO检测方法是否能在不完美CSI条件下实现优于传统ZF和MMSE检测器的BER性能？
• RQ2 与传统检测算法相比，基于DNN的方法是否对信道估计误差具有更优的鲁棒性？
• RQ3 与ML和ZF方案相比，基于DNN的方法在解码复杂度和吞吐量方面表现如何？
• RQ4 与先前的深度学习方法（如DetNet）相比，基于DNN的方法在处理不完美CSI时是否更有效？
• RQ5 更简单的DNN架构是否能在保持低计算复杂度的同时，优于更复杂的基于CNN的模型？

主要发现

• 在完美CSI下，2×2 MIMO系统采用QPSK调制时，DNN方法在BER为10⁻³时比DetNet高4.5 dB。
• 在4×4 MIMO系统中采用BPSK调制时，即使使用不完美CSI，DNN方法在BER为2×10⁻³时相比DetNet仍获得3.5 dB增益。
• 在不完美CSI下，2×2 MIMO系统采用QPSK调制时，DNN方法在BER = 10⁻²时相比ZF和MMSE分别提升超过4.5 dB。
• 在4×4 MIMO系统中采用BPSK调制时，DNN方法实现4.8×10⁴ Kbps的吞吐量，与ZF方法相当，显著高于ML方法（8.8×10³ Kbps）。
• 即使DetNet在完美CSI下训练，DNN方法在BER性能上仍优于DetNet，证明其对CSI不完善具有更优的鲁棒性。
• DNN方法在不同CSI质量下保持稳定性能，BER波动极小，而ML方法在不完美CSI下性能损失显著。