[论文解读] Iterative Channel Estimation Using LSE and Sparse Message Passing for MmWave MIMO Systems

Chongwen Huang, Lei Liu+2 more|arXiv (Cornell University)|Nov 17, 2016

Advanced MIMO Systems Optimization参考文献 60被引用 7

一句话总结

该论文提出了一种用于毫米波MIMO系统的迭代信道估计算法，结合最小二乘估计（LSE）与稀疏消息传递（SMP），以利用信道的稀疏性。通过迭代地利用SMP检测非零信道抽头位置，并利用LSE估计其幅度，该算法仅通过五次迭代即实现了接近Cramér-Rao下界（CRLB）的性能，在低信噪比和高度稀疏的场景下优于现有稀疏估计算法。

ABSTRACT

We propose an iterative channel estimation algorithm based on the Least Square Estimation (LSE) and Sparse Message Passing (SMP) algorithm for the Millimeter Wave (mmWave) MIMO systems. The channel coefficients of the mmWave MIMO are approximately modeled as a Bernoulli-Gaussian distribution and the channel matrix is sparse with only a few non-zero entries. By leveraging the advantage of sparseness, we propose an algorithm that iteratively detects the exact locations and values of non-zero entries of the sparse channel matrix. At each iteration, the locations are detected by the SMP, and values are estimated with the LSE. We also analyze the Cramér-Rao Lower Bound (CLRB), and show that the proposed algorithm is a minimum variance unbiased estimator under the assumption that we have the partial priori knowledge of the channel. Furthermore, we employ the Gaussian approximation for message densities under density evolution to simplify the analysis of the algorithm, which provides a simple method to predict the performance of the proposed algorithm. Numerical experiments show that the proposed algorithm has much better performance than the existing sparse estimators, especially when the channel is sparse. In addition, our proposed algorithm converges to the CRLB of the genie-aided estimation of sparse channels with only five turbo iterations.

研究动机与目标

• 通过利用信道稀疏性，解决毫米波MIMO系统中的高路径损耗问题，实现高效估计。
• 克服传统MIMO估计算法在毫米波系统中不适用的局限性，这些局限性源于混合式模拟/数字架构及稀疏信道特性。
• 设计一种低复杂度的迭代算法，联合估计非零信道抽头的位置与幅度，而无需对信道分布有完整先验知识。
• 证明所提算法在部分信道稀疏性先验知识下可实现最小方差无偏估计。
• 基于密度演化中的高斯近似，提供性能预测框架，用于算法分析与设计。

提出的方法

• 将毫米波MIMO信道建模为具有伯努利-高斯分布的稀疏信号，其中仅少数元素非零。
• 采用迭代框架：在每次迭代中，SMP检测稀疏支撑（非零抽头的位置），LSE估计这些抽头的幅度。
• 应用期望最大化（EM）算法以在迭代过程中优化稀疏模式，提升估计精度。
• 在密度演化中采用高斯近似，以简化消息传递动态并实现对算法性能的预测。
• 利用贝叶斯推断与矩匹配方法，推导出消息方差与均值估计的闭式更新方程。
• 分析LSE与LSE-SMP的Cramér-Rao下界（CRLB），表明所提方法可逼近理想已知信道结构下的CRLB。

实验结果

研究问题

• RQ1 迭代LSE与SMP能否联合利用信道稀疏性，提升毫米波MIMO系统中的估计精度？
• RQ2 所提LSE-SMP算法在均方误差（MSE）与收敛速度方面，相较于传统稀疏估计算法表现如何？
• RQ3 该算法在多大程度上逼近稀疏信道估计的Cramér-Rao下界（CRLB）？
• RQ4 部分先验知识对估计器的方差与偏差有何影响？该算法是否仍保持最小方差无偏性？
• RQ5 在密度演化中采用高斯近似，能否提供一种准确且可计算的性能预测方法，用于迭代LSE-SMP算法？

主要发现

• 所提LSE-SMP算法实现了近似最优性能，仅通过五次迭代即收敛至理想已知信道结构下稀疏信道估计的Cramér-Rao下界（CRLB）。
• 该算法在低信噪比（SNR）和高度稀疏信道条件下，显著优于现有稀疏估计算法。
• 理论分析证实，在部分信道稀疏性结构先验知识下，LSE-SMP估计器为最小方差无偏估计器。
• 在密度演化中使用高斯近似，可实现对迭代算法性能的准确且计算高效的预测。
• LSE-SMP算法的CRLB（$\mathbf{CRLB_{LSE-SMP}}$）严格低于标准LSE的CRLB（$\mathbf{CRLB_{LSE}}$），证明了利用稀疏性的优势。
• 数值结果验证了该算法在不同稀疏度水平与SNR区域下均保持稳健性能，证实其在毫米波MIMO系统中的实际可行性。