[论文解读] Estimating Doubly-Selective Channels for Hybrid mmWave Massive MIMO Systems: A Doubly-Sparse Approach

Shijian Gao, Xiang Cheng+1 more|arXiv (Cornell University)|Dec 18, 2019

Millimeter-Wave Propagation and Modeling参考文献 25被引用 4

一句话总结

本文提出了一种用于混合毫米波大规模MIMO系统的双重稀疏信道估计算法框架，通过两级训练设计联合利用波束域稀疏性和时延域稀疏性。通过采用自适应OMP（A-BOMP）和波束成形轮询，该方法在双选频（频率与时间）环境下表现出鲁棒性能，与基线方法相比，训练开销降低20%，内存使用减少99.9%，同时在高速移动场景下仍保持高精度。

ABSTRACT

In mmWave massive multiple-input multiple-output (mMIMO) systems, hybrid digital/analog beamforming has been recognized as an economic means to overcome the severe mmWave propagation loss. To facilitate beamforming for mmWace mMIMO, there is a great urgency to acquire accurate channel state information. To this end, a novel doubly-sparse approach is proposed to estimate doubly-selective mmWave channels under hybrid mMIMO. Via the judiciously designed training pattern, the well-known beamspace sparsity along with the under-investigated delay-domain sparsity that mmWave channels exhibit can be jointly exploited to assist channel estimation. Thanks to our careful two-stage (random-probing and steering-probing) design, the proposed channel estimator possesses strong robustness against the double (frequency and time) selectivity whilst enjoying the benefits brought by the exploitation of double sparsity. Compared with existing alternatives, our proposed channel estimator not only proves to be more general, but also largely reduces the training overhead, storage demand as well as computational complexity.

研究动机与目标

• 解决在射频链路受限的混合毫米波大规模MIMO系统中获取精确信道状态信息（CSI）的挑战。
• 克服现有方法无法同时利用波束域与时延域稀疏性的局限。
• 开发一种对双选频（因多普勒效应导致的频率与时间变化）具有鲁棒性的信道估计算法。
• 在宽带毫米波系统中最小化训练开销、存储需求与计算复杂度。
• 提供一种通用、高效且实用的解决方案，适用于5G及未来系统中的实时实现。

提出的方法

• 设计两级训练模式：随机探测用于识别有效信道抽头，波束成形探测用于利用波束成形精炼角度支持。
• 利用能量检测识别时延域中的有效信道抽头，实现对宽带信道的稀疏表示。
• 提出一种自适应OMP算法（A-BOMP），通过动态调整基函数匹配与残差更新，提升在高多普勒环境下的角度支持恢复性能。
• 基于估计的角度支持实现波束成形轮询策略，以低训练开销联合估计路径增益与多普勒偏移。
• 利用压缩感知理论，联合利用波束域与时延域稀疏性，减少所需训练符号数量。
• 将多普勒补偿集成到估计过程中，以在时变信道中保持高精度。

实验结果

研究问题

• RQ1 如何联合利用波束域稀疏性与时延域稀疏性，以提升混合毫米波大规模MIMO系统中的信道估计性能？
• RQ2 何种训练模式设计可实现对由多普勒效应引起的频率选择性与时间选择性环境下的鲁棒估计？
• RQ3 在高速移动场景下，所提出的A-BOMP算法相较于传统OMP或DPC-BOMP在角度支持恢复方面有何改进？
• RQ4 与现有的LS和BSA基估计算法相比，所提出的双重稀疏方法在多大程度上降低了训练开销与计算复杂度？
• RQ5 所提出方法的性能对模拟波束成形器（APS）的分辨率及射频链路数量的敏感程度如何？

主要发现

• 所提出的双重稀疏方法（DSA）在高信噪比下相比基线BSA将训练开销降低了20%，展现出显著的效率提升。
• 由于感知矩阵尺寸大幅减小至200×4096，DSA将内存使用从18GB（BSA）降低至9MB，减少了99.9%。
• DSA在所有信噪比区域的NMSE性能均优于BSA与LS估计算法，尤其在中高信噪比区域表现出显著差距。
• A-BOMP算法即使在预设迭代次数下，NMSE性能也接近理想基准（K=4），展现出良好的鲁棒性与效率。
• 该方法在传播路径数P=3至P=6范围内均保持低NMSE退化，表明对路径数量不敏感。
• 将APS分辨率从1-bit提升至2-bit可显著改善NMSE，但3-5-bit之间的进一步提升仅带来0.5dB的增益，表明对高分辨率不敏感。