[论文解读] Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems

Xisuo Ma, Zhen Gao+2 more|arXiv (Cornell University)|Apr 22, 2021

Millimeter-Wave Propagation and Modeling参考文献 42被引用 6

一句话总结

该论文提出了一种模型驱动的深度学习（MDDL）框架，用于在宽带毫米波大规模混合MIMO系统中实现低开销的信道估计与反馈，通过利用角度-延迟域的稀疏性。该框架通过引入具有冗余字典的多测量向量学习型近似消息传递（MMV-LAMP）网络，联合优化移相网络与信道估计器，相较于现有最先进方法，在显著降低 pilot 开销的同时实现了更优性能。

ABSTRACT

This paper proposes a model-driven deep learning (MDDL)-based channel estimation and feedback scheme for wideband millimeter-wave (mmWave) massive hybrid multiple-input multiple-output (MIMO) systems, where the angle-delay domain channels' sparsity is exploited for reducing the overhead. Firstly, we consider the uplink channel estimation for time-division duplexing systems. To reduce the uplink pilot overhead for estimating the high-dimensional channels from a limited number of radio frequency (RF) chains at the base station (BS), we propose to jointly train the phase shift network and the channel estimator as an auto-encoder. Particularly, by exploiting the channels' structured sparsity from an a priori model and learning the integrated trainable parameters from the data samples, the proposed multiple-measurement-vectors learned approximate message passing (MMV-LAMP) network with the devised redundant dictionary can jointly recover multiple subcarriers' channels with significantly enhanced performance. Moreover, we consider the downlink channel estimation and feedback for frequency-division duplexing systems. Similarly, the pilots at the BS and channel estimator at the users can be jointly trained as an encoder and a decoder, respectively. Besides, to further reduce the channel feedback overhead, only the received pilots on part of the subcarriers are fed back to the BS, which can exploit the MMV-LAMP network to reconstruct the spatial-frequency channel matrix. Numerical results show that the proposed MDDL-based channel estimation and feedback scheme outperforms the state-of-the-art approaches.

研究动机与目标

• 为解决由于射频链路数量有限而导致的上行链路毫米波大规模混合MIMO系统中 pilot 开销过高的问题。
• 通过利用角度-延迟域中的结构化稀疏性，降低FDD系统中的下行链路信道反馈开销。
• 将移相网络与信道估计器联合优化为自编码器结构，以提升估计精度。
• 设计一种可训练的MMV-LAMP网络，利用子载波间的公共稀疏性，实现高效的多子载波信道恢复。
• 在零均值伯努利-高斯先验下，通过可学习的软阈值函数实现最小训练开销的高精度信道估计与反馈。

提出的方法

• 上行链路信道估计采用移相网络与信道估计器联合训练为自编码器结构，利用先验模型提供的结构化稀疏性。
• 设计了一种具有冗余字典的多测量向量学习型近似消息传递（MMV-LAMP）网络，用于联合恢复多个子载波上的信道。
• MMV-LAMP网络采用基于零均值伯努利-高斯先验下的MSE最优去噪器推导出的可学习软阈值函数，其可训练参数为θ₁和θ₂。
• 在下行链路反馈中，用户设备仅在部分子载波上反馈 pilot 信号，MMV-LAMP网络则重建完整的空频域信道矩阵。
• 算法通过残差矩阵的Frobenius范数实现自适应噪声方差估计，并采用基于梯度的更新方法优化可训练参数。
• 整个框架通过反向传播进行端到端训练，移相网络与估计器联合优化以最小化估计误差。

实验结果

研究问题

• RQ1 模型驱动的深度学习是否能在保持高信道估计精度的同时，降低上行链路毫米波大规模混合MIMO系统中的 pilot 开销？
• RQ2 通过自编码结构联合优化移相网络与信道估计器，相较于传统方法，性能提升效果如何？
• RQ3 通过MMV-LAMP网络利用子载波间公共稀疏性，在宽带毫米波系统中对信道恢复的增强程度如何？
• RQ4 在仅部分子载波上进行 pilot 信号部分反馈，并结合MMV-LAMP重建，是否能显著降低反馈开销而不损失精度？
• RQ5 与现有最先进的压缩感知及基于深度学习的方法相比，所提出的MDDL框架在估计精度与鲁棒性方面表现如何？

主要发现

• 所提出的基于MDDL的信道估计与反馈方案在不同信噪比（SNR）条件下，均优于现有最先进方法，在估计精度与鲁棒性方面表现更优。
• 采用冗余字典的MMV-LAMP网络通过有效利用结构化稀疏性，显著提升了多子载波信道的联合恢复性能。
• 将移相网络与估计器联合训练为自编码器结构，可在保持高估计精度的同时显著降低上行链路 pilot 开销。
• 仅在部分子载波上进行 pilot 信号部分反馈，并结合MMV-LAMP重建，可实现高保真度的信道矩阵恢复，同时显著降低反馈开销。
• 在零均值伯努利-高斯先验下使用可学习的软阈值函数，可实现最优去噪，提升估计收敛性与精度。