[论文解读] Machine Learning Methods for User Positioning With Uplink RSS in Distributed Massive MIMO

K. N. R. Surya Vara Prasad, Ekram Hossain+1 more|arXiv (Cornell University)|Jan 20, 2018

Distributed Sensor Networks and Detection Algorithms参考文献 3被引用 3

一句话总结

该论文提出了一种基于上行链路接收信号强度（RSS）的分布式大规模MIMO系统用户定位高斯过程回归（GPR）框架，解决了传统GPR在测试RSS数据存在噪声时产生不切实际的微小误差条这一关键问题。该方法提出了一种数值近似高斯过程（NaGP）方法，通过考虑阴影衰落噪声，生成了合理的2σ误差条，其RMSE性能接近贝叶斯克拉美罗下界（BCRLB）。

ABSTRACT

We consider a machine learning approach based on Gaussian process regression (GP) to position users in a distributed massive multiple-input multiple-output (MIMO) system with the uplink received signal strength (RSS) data. We focus on the scenario where noise-free RSS is available for training, but only noisy RSS is available for testing purposes. To estimate the test user locations and their 2σ error-bars, we adopt two state-of-the-art GP methods, namely, the conventional GP (CGP) and the numerical approximation GP (NaGP) methods. We find that the CGP method, which treats the noisy test RSS vectors as noise-free, provides unrealistically small 2σ error-bars on the estimated locations. To alleviate this concern, we derive the true predictive distribution for the test user locations and then employ the NaGP method to numerically approximate it as a Gaussian with the same first and second order moments. We also derive a Bayesian Cramer-Rao lower bound (BCRLB) on the achievable root- mean-squared-error (RMSE) performance of the two GP methods. Simulation studies reveal that: (i) the NaGP method indeed provides realistic 2σ error-bars on the estimated locations, (ii) operation in massive MIMO regime improves the RMSE performance, and (iii) the achieved RMSE performances are very close to the derived BCRLB.

研究动机与目标

• 解决传统高斯过程回归（CGP）在测试RSS数据受阴影衰落噪声污染时产生不切实际的微小2σ误差条的局限性。
• 开发一种方法，以在测试数据存在噪声的RSS定位系统中，为用户位置预测生成合理的不确定性估计（误差条）。
• 研究基于机器学习的用户定位在分布式大规模MIMO系统中的性能，采用上行链路RSS作为信号指纹。
• 推导贝叶斯克拉美罗下界（BCRLB），作为所提方法可实现的均方根误差（RMSE）性能的基准。
• 证明大规模MIMO体制可显著提升定位精度，且在测试RSS中考虑噪声可改善不确定性估计。

提出的方法

• 使用已知用户位置、路径损耗模型和基站天线位置生成的无噪声RSS数据训练高斯过程模型。
• 应用传统高斯过程（CGP）进行位置预测，将含噪声的测试RSS视为无噪声数据处理，导致不确定性估计过于乐观。
• 提出数值近似高斯过程（NaGP）方法，通过匹配噪声RSS分布的一阶和二阶矩，近似真实用户位置的预测分布。
• 利用矩匹配方法，将真实预测分布数值近似为具有准确均值（位置估计）和方差（合理2σ误差条）的高斯分布。
• 通过在预测方差上进行线性代数运算，推导贝叶斯克拉美罗下界（BCRLB），作为性能基准。
• 利用多元高斯分布的条件分布特性，在GP框架中建模RSS与用户位置之间的关系。

实验结果

研究问题

• RQ1 为何在用户定位中，当测试RSS数据存在噪声时，传统GP回归会产生不切实际的微小2σ误差条？
• RQ2 能否开发一种数值近似方法，以在测试数据存在噪声的RSS定位中，为用户位置预测生成合理的不确定性估计？
• RQ3 所提出的NaGP方法在RMSE和不确定性估计方面与传统GP相比性能如何？
• RQ4 与传统MIMO相比，大规模MIMO体制在多大程度上提升了定位精度？
• RQ5 所提方法可实现的RMSE性能与理论贝叶斯克拉美罗下界（BCRLB）的接近程度如何？

主要发现

• 传统GP（CGP）方法产生不切实际的微小2σ误差条，是因为其忽略了测试RSS数据中的噪声，导致不确定性估计过度自信。
• 所提出的NaGP方法通过考虑测试RSS中阴影衰落噪声的统计特性，提供了合理的2σ误差条，从而实现了更可靠的不确定性量化。
• 在大规模MIMO体制下，由于基站天线数量增加和信号向量信息更丰富，RMSE性能相比传统MIMO显著提升。
• NaGP方法的RMSE性能非常接近推导出的贝叶斯克拉美罗下界（BCRLB），表明其接近最优估计性能。
• BCRLB可通过对预测方差进行简单的线性代数运算计算得出，使其成为评估定位系统性能的实用基准。
• 研究表明，虽然使用无噪声RSS数据进行训练较为方便，但会带来RMSE更高的性能折衷，提示未来工作需改进近似方法。