[论文解读] Hierarchical Sparse Channel Estimation for Massive MIMO.

Gerhard Wunder, Ingo Roth+5 more|arXiv (Cornell University)|Jan 1, 2018

Advanced MIMO Systems Optimization被引用 7

一句话总结

该论文提出了一种用于宽带大规模MIMO系统的分层稀疏信道估计算法，采用压缩感知技术，明确利用了信道的分层稀疏结构，并将压缩感知分析扩展至Kronecker型测量矩阵。与标准压缩感知方法相比，该方法实现了更低的训练开销和更高的估计精度，从而提升了用户容量并改善了 pilot decontamination 效果。

ABSTRACT

The problem of wideband massive MIMO channel estimation is considered. Targeting for low complexity algorithms as well as small training overhead, a compressive sensing (CS) approach is pursued. Unfortunately, due to the Kronecker-type sensing (measurement) matrix corresponding to this setup, application of standard CS algorithms and analysis methodology does not apply. By recognizing that the channel possesses a special structure, termed hierarchical sparsity, we propose an efficient algorithm that explicitly takes into account this property. In addition, by extending the standard CS analysis methodology to hierarchical sparse vectors, we provide a rigorous analysis of the algorithm performance in terms of estimation error as well as number of pilot subcarriers required to achieve it. Small training overhead, in turn, means higher number of supported users in a cell and potentially improved pilot decontamination. We believe, that this is the first paper that draws a rigorous connection between the hierarchical framework and Kronecker measurements. Numerical results verify the advantage of employing the proposed approach in this setting instead of standard CS algorithms.

研究动机与目标

• 解决宽带大规模MIMO系统中低复杂度、低训练开销信道估计的挑战。
• 克服标准压缩感知算法在大规模MIMO系统中应用于Kronecker型感知矩阵时的局限性。
• 利用宽带大规模MIMO信道固有的分层稀疏结构，设计更高效的估计算法。
• 在所提出的框架下，提供估计误差和所需导频开销的严格理论分析。
• 与传统CS方法相比，展示在估计精度和用户支持能力方面的性能提升。

提出的方法

• 提出一种分层稀疏模型，以捕捉宽带大规模MIMO信道的结构化稀疏特性。
• 设计一种新型压缩感知算法，明确考虑信道向量的分层结构。
• 将标准压缩感知分析扩展至处理分层稀疏向量和Kronecker型测量矩阵。
• 基于分层结构，推导估计误差和所需最小导频子载波数的理论边界。
• 利用感知矩阵的Kronecker积结构，降低计算复杂度和训练开销。
• 将估计问题建模为保持分层稀疏模式的结构化优化任务。

实验结果

研究问题

• RQ1 如何利用宽带大规模MIMO信道中的分层稀疏性来提升信道估计性能？
• RQ2 在此背景下，对标准压缩感知方法需进行哪些修改以处理Kronecker型测量矩阵？
• RQ3 在分层稀疏结构下，为实现给定估计误差，理论上所需的最小导频子载波数是多少？
• RQ4 与标准CS方法相比，所提出的算法在估计精度和训练开销方面表现如何？
• RQ5 该分层框架能否为基于Kronecker的大型MIMO信道估计提供严谨的性能分析？

主要发现

• 所提出的分层稀疏信道估计算法相比标准压缩感知方法，估计误差更低。
• 通过利用信道的分层稀疏结构，该算法显著降低了训练开销。
• 理论分析表明，所需导频子载波数随分层结构呈有利缩放，从而支持更高的用户容量。
• 该方法为Kronecker型测量提供了严谨的性能分析框架，此前该领域尚缺乏此类分析。
• 数值结果证实，所提出方法在估计精度和鲁棒性方面优于标准CS算法。
• 该框架实现了改进的导频解污染，使得单个小区可支持更多用户。