[论文解读] Millimeter Wave Channel Estimation via Exploiting Joint Sparse and Low-Rank Structures

Xingjian Li, Jun Fang+2 more|arXiv (Cornell University)|May 6, 2017

Millimeter-Wave Propagation and Modeling参考文献 31被引用 8

一句话总结

本文提出了一种用于毫米波信道估计算法的两阶段压缩感知方法，通过联合利用稀疏散射与低秩角扩展结构，降低采样复杂度。该方法先对低秩信道结构进行矩阵补全，再应用稀疏恢复，相比仅利用稀疏性的传统压缩感知方法，实现了更低的训练开销。

ABSTRACT

We consider the problem of channel estimation for millimeter wave (mmWave) systems, where, to minimize the hardware complexity and power consumption, an analog transmit beamforming and receive combining structure with only one radio frequency (RF) chain at the base station (BS) and mobile station (MS) is employed. Most existing works for mmWave channel estimation exploit sparse scattering characteristics of the channel. In addition to sparsity, mmWave channels may exhibit angular spreads over the angle of arrival (AoA), angle of departure (AoD), and elevation domains. In this paper, we show that angular spreads give rise to a useful low-rank structure that, along with the sparsity, can be simultaneously utilized to reduce the sample complexity, i.e. the number of samples needed to successfully recover the mmWave channel. Specifically, to effectively leverage the joint sparse and low-rank structure, we develop a two-stage compressed sensing method for mmWave channel estimation, where the sparse and low-rank properties are respectively utilized in two consecutive stages, namely, a matrix completion stage and a sparse recovery stage. Our theoretical analysis reveals that the proposed two-stage scheme can achieve a lower sample complexity than a direct compressed sensing method that exploits only the sparse structure of the mmWave channel. Simulation results are provided to corroborate our theoretical results and to show the superiority of the proposed two-stage method.

研究动机与目标

• 解决因波束波束对准与信道估计算法导致的毫米波系统中高训练开销问题。
• 利用毫米波信道中稀疏散射与低秩角扩展特性，降低采样复杂度。
• 提出一种两阶段压缩感知框架，按顺序利用低秩与稀疏结构，提升估计算法效率。
• 理论分析表明，联合利用稀疏性与低秩结构可减少所需测量数，相比仅使用稀疏性的方法。

提出的方法

• 采用两阶段压缩感知框架，将毫米波信道估计算法建模为联合稀疏与低秩恢复问题。
• 第一阶段：使用部分训练导频对信道矩阵进行矩阵补全，以恢复其低秩结构。
• 第二阶段：对低秩近似后的残差应用压缩感知，以恢复稀疏信道分量。
• 利用限制等距性质（RIP）与矩阵相干性分析恢复性能与采样复杂度。
• 采用结构化感知矩阵（如随机傅里叶或高斯矩阵）以确保非相干性与稳定恢复。
• 该方法利用了到达角（AoA）、离开角（AoD）与俯仰角域中的角扩展特性，使信道矩阵呈现低秩结构。

实验结果

研究问题

• RQ1 能否通过联合利用稀疏散射与低秩角扩展结构，减少毫米波信道估计算法所需的训练导频数量？
• RQ2 两阶段压缩感知方法与仅使用稀疏性的传统压缩感知方法相比，性能如何？
• RQ3 在联合稀疏与低秩假设下，所提方法的理论采样复杂度是多少？
• RQ4 矩阵补全过程如何提升后续稀疏恢复阶段的准确性？
• RQ5 与现有低秩或仅稀疏方法相比，所提方法是否能在更低训练开销下实现更优的估计算法性能？

主要发现

• 所提两阶段方法因联合利用稀疏性与低秩结构，其采样复杂度低于仅利用稀疏性的直接压缩感知方法。
• 理论分析表明，所需测量数与秩和稀疏度成正比，而非与完整信道维度成正比，从而降低训练开销。
• 仿真结果证实，所提方法在估计算法精度与采样效率方面均优于传统压缩感知与低秩张量分解方法。
• 该方法有效利用了AoA、AoD与俯仰角域中的角扩展特性，诱导出低秩结构，这对性能增益至关重要。
• 理论边界表明，当限制等距常数满足 δ₂ₖ < 1 + √2(1 − √(1 + √2)) 时，可实现精确信道恢复，确保稳定恢复。
• 仿真结果验证，矩阵补全过程显著降低了残差能量，从而在第二阶段实现更精确的稀疏恢复。