[论文解读] Learning Based Hybrid Beamforming Design for Full-Duplex Millimeter Wave Systems

Shaocheng Huang, Yu Ye+1 more|arXiv (Cornell University)|Apr 16, 2020

Full-Duplex Wireless Communications参考文献 38被引用 9

一句话总结

本文提出基于学习的混合波束成形（HBF）方案——ELM-HBF与CNN-HBF——用于全双工毫米波系统，以克服传统基于优化的HBF方法的局限性。通过结合基于ADMM的自干扰消除与基于MM的联合波束成形优化，学习模型在频谱效率上比OMP高出22.1%，在线预测速度提升20倍，且ELM-HBF的训练速度比CNN-HBF快600倍。

ABSTRACT

Millimeter Wave (mmWave) communications with full-duplex (FD) have the potential of increasing the spectral efficiency, relative to those with half-duplex. However, the residual self-interference (SI) from FD and high pathloss inherent to mmWave signals may degrade the system performance. Meanwhile, hybrid beamforming (HBF) is an efficient technology to enhance the channel gain and mitigate interference with reasonable complexity. However, conventional HBF approaches for FD mmWave systems are based on optimization processes, which are either too complex or strongly rely on the quality of channel state information (CSI). We propose two learning schemes to design HBF for FD mmWave systems, i.e., extreme learning machine based HBF (ELM-HBF) and convolutional neural networks based HBF (CNN-HBF). Specifically, we first propose an alternating direction method of multipliers (ADMM) based algorithm to achieve SI cancellation beamforming, and then use a majorization-minimization (MM) based algorithm for joint transmitting and receiving HBF optimization. To train the learning networks, we simulate noisy channels as input, and select the hybrid beamformers calculated by proposed algorithms as targets. Results show that both learning based schemes can provide more robust HBF performance and achieve at least 22.1% higher spectral efficiency compared to orthogonal matching pursuit (OMP) algorithms. Besides, the online prediction time of proposed learning based schemes is almost 20 times faster than the OMP scheme. Furthermore, the training time of ELM-HBF is about 600 times faster than that of CNN-HBF with 64 transmitting and receiving antennas.

研究动机与目标

• 解决全双工毫米波系统中由残留自干扰（SI）和高路径损耗引起的性能下降问题。
• 克服传统基于优化的混合波束成形（HBF）在全双工毫米波系统中计算复杂度高且依赖信道状态信息（CSI）的局限性。
• 设计鲁棒、低复杂度的HBF方案，在信道状态信息（CSI）不完美时仍能保持高 spectral efficiency。
• 开发泛化能力强的学习型HBF框架，适用于噪声和不完美的信道条件。
• 实现实时波束成形预测，同时训练开销极低，且优于传统OMP-based HBF。

提出的方法

• 提出一种基于ADMM的算法，用于设计自干扰消除波束成形器，有效抑制毫米波全双工系统中视 Line-of-sight 和非视 Line-of-sight 自干扰。
• 开发一种主化-最小化（MM）算法，联合优化混合波束成形结构中的数字与模拟预编码器和合并器。
• 使用模拟的噪声信道输入以及ADMM-MM算法生成的波束成形器作为真实标签，训练极端学习机（ELM）和卷积神经网络（CNN）模型。
• 将ADMM-MM框架用作代理，生成端到端学习的标注数据，确保学习到的波束成形器在物理上可行且性能最优。
• 设计ELM-HBF与CNN-HBF网络，将信道状态信息（CSI）映射为最优混合波束成形器，实现极低推理延迟。
• 通过在噪声和不完美的CSI上进行训练，确保鲁棒性，使其能泛化到实际中的信道估计误差。

实验结果

研究问题

• RQ1 在CSI不完美的条件下，基于学习的HBF方案是否能在全双工毫米波系统中实现比传统OMP-based优化更高的频谱效率？
• RQ2 与传统OMP-based HBF相比，所提出的基于学习的HBF在在线预测速度和训练效率方面表现如何？
• RQ3 ELM-HBF与CNN-HBF在不完美或噪声信道状态信息下，其性能退化程度如何，泛化能力如何？
• RQ4 在全双工毫米波系统中，联合自干扰消除与波束成形优化对系统频谱效率有何影响？
• RQ5 与迭代优化方法相比，所提出的基于学习的框架能否以显著降低的计算复杂度实现接近最优的性能？

主要发现

• 所提出的ELM-HBF与CNN-HBF方案在频谱效率上至少比传统OMP-based HBF算法高出22.1%。
• 基于学习的方案在线预测时间比OMP-based方法快近20倍，支持实时波束成形自适应。
• 当使用64个发射和接收天线时，ELM-HBF的训练时间约为CNN-HBF的1/600，使其在大规模系统中极具效率。
• 基于ADMM-MM的波束成形设计能有效抑制视 Line-of-sight 和非视 Line-of-sight 自干扰，实现稳定的全双工运行。
• 基于学习的HBF框架对噪声和不完美的CSI具有鲁棒性，在信道估计误差下仍能保持高性能。
• 所提出的ADMM-MM算法的收敛性已从理论上得到证明，目标函数形成一个有下界且非递增的序列，确保优化过程稳定。