[论文解读] Online and Offline Deep Learning Strategies For Channel Estimation and Hybrid Beamforming in Multi-Carrier mm-Wave Massive MIMO Systems

Ahmet M. Elbir, Kumar Vijay Mishra+2 more|arXiv (Cornell University)|Dec 20, 2019

Millimeter-Wave Propagation and Modeling被引用 16

一句话总结

本文提出一种基于卷积神经网络（CNNs）的深度学习框架，用于在宽带毫米波大规模MIMO-OFDM系统中联合进行信道估计与混合波束成形。该方法引入了离线和在线推理方案，相较于最先进方法，在频谱效率、计算成本以及对 pilot 信号污染和信道失配的鲁棒性方面表现更优。

ABSTRACT

Hybrid analog and digital beamforming transceivers are instrumental in addressing the challenge of expensive hardware and high training overheads in the next generation millimeter-wave (mm-Wave) massive MIMO (multiple-input multiple-output) systems. However, lack of fully digital beamforming in hybrid architectures and short coherence times at mm-Wave impose additional constraints on the channel estimation. Prior works on addressing these challenges have focused largely on narrowband channels wherein optimization-based or greedy algorithms were employed to derive hybrid beamformers. In this paper, we introduce a deep learning (DL) approach for joint channel estimation and hybrid beamforming for frequency-selective, wideband mm-Wave systems. In particular, we consider a massive MIMO Orthogonal Frequency Division Multiplexing (MIMO-OFDM) system and propose three different DL frameworks comprising convolutional neural networks (CNNs), which accept the received pilot signal as input and yield the hybrid beamformers at the output. We also introduce both offline and online prediction schemes for channel estimation and hybrid beamforming. Numerical experiments demonstrate that, compared to the current state-of-the-art optimization and DL methods, our approach provides higher spectral efficiency, lesser computational cost, and higher tolerance against the deviations in the received pilot data, corrupted channel matrix, and propagation environment.

研究动机与目标

• 解决使用混合模拟-数字波束成形的毫米波大规模MIMO系统中训练开销高和硬件成本高的挑战。
• 通过扩展至频率选择性、宽带MIMO-OFDM系统，克服先前窄带、基于优化方法的局限性。
• 开发能够从 pilot 信号中联合估计信道并设计混合波束成形器的深度学习框架。
• 引入离线和在线推理策略，以在性能与计算效率之间取得平衡。
• 提升对 pilot 信号污染、信道矩阵偏差以及传播环境变化的鲁棒性。

提出的方法

• 设计三种不同的基于CNN的框架，以接收的 pilot 信号作为输入，输出混合波束成形器。
• 利用卷积神经网络从 pilot 观测中学习复杂且非线性的映射关系，以获得最优波束成形向量。
• 实施一种离线训练方案，即在网络部署前使用合成或历史信道数据对网络进行训练。
• 开发一种在线自适应方案，使模型能够利用新的 pilot 反馈实时优化预测结果。
• 采用端到端方式训练网络，以在宽带毫米波MIMO系统中联合优化信道估计与波束成形器设计。
• 利用MIMO-OFDM的频率选择性特性，通过在子载波间共享CNN层来利用子载波间的相关性。

实验结果

研究问题

• RQ1 深度学习能否有效处理在宽带毫米波大规模MIMO-OFDM系统中联合进行信道估计与混合波束成形的问题？
• RQ2 所提出的深度学习框架在频谱效率和计算成本方面，相较于基于优化的方法和现有深度学习方法，性能如何？
• RQ3 在线与离线推理方案在多大程度上提升了对 pilot 信号污染和信道矩阵偏差的鲁棒性？
• RQ4 在信道状态信息不完善及传播环境变化的情况下，所提出模型的泛化能力如何？
• RQ5 在实时毫米波波束成形应用中，模型复杂度、推理速度与性能之间的权衡关系如何？

主要发现

• 所提出的深度学习框架在频谱效率方面优于最先进优化方法和深度学习方法。
• 由于采用了高效的CNN特征提取和端到端学习，模型表现出更低的计算成本。
• 在线推理方案对收到的 pilot 数据偏差和信道矩阵损坏表现出更强的容忍能力。
• 在信道矩阵失配的传播环境中，鲁棒性得到增强，尤其在 pilot 污染和信道估计误差情况下表现更优。
• 离线训练方案提供了强大的基线性能，同时显著降低了实时处理负载。
• 联合学习信道估计与波束成形相比顺序或独立优化，能显著提升系统性能。