[论文解读] Robust Precoding in Massive MIMO: A Deep Learning Approach

Junchao Shi, Wenjin Wang+3 more|arXiv (Cornell University)|May 27, 2020

Advanced MIMO Systems Optimization参考文献 41被引用 4

一句话总结

本文提出了一种基于深度学习的鲁棒预编码框架，用于大规模MIMO系统中存在非完美信道状态信息（CSI）的情况，通过结合瞬时CSI与统计CSI，在功率约束下最大化遍历速率。通过拉格朗日对偶性重述预编码问题，并将最优预编码器结构识别为广义特征值问题，该方法将高维预编码设计转化为低维拉格朗日乘子学习问题，从而利用预训练神经网络实现实时、低复杂度的预编码，性能接近最优。

ABSTRACT

In this paper, we consider massive multiple-input-multiple-output (MIMO) communication systems with a uniform planar array (UPA) at the base station (BS) and investigate the downlink precoding with imperfect channel state information (CSI). By exploiting both instantaneous and statistical CSI, we aim to design precoding vectors to maximize the ergodic rate (e.g., sum rate, minimum rate and etc.) subject to a total transmit power constraint. To maximize an upper bound of the ergodic rate, we leverage the corresponding Lagrangian formulation and identify the structural characteristics of the optimal precoder as the solution to a generalized eigenvalue problem. As such, the high-dimensional precoder design problem turns into a low-dimensional power control problem. The Lagrange multipliers play a crucial role in determining both precoder directions and power parameters, yet are challenging to be solved directly. To figure out the Lagrange multipliers, we develop a general framework underpinned by a properly designed neural network that learns directly from CSI. To further relieve the computational burden, we obtain a low-complexity framework by decomposing the original problem into computationally efficient subproblems with instantaneous and statistical CSI handled separately. With the off-line pretrained neural network, the online computational complexity of precoding is substantially reduced compared with the existing iterative algorithm while maintaining nearly the same performance.

研究动机与目标

• 解决因基站处信道状态信息（CSI）不完整或过时而导致大规模MIMO系统性能下降的问题。
• 设计一种低复杂度的鲁棒预编码方案，在总发射功率约束下最大化遍历速率（如和速率或最小速率）。
• 通过利用拉格朗日松弛所得最优预编码器的结构特性，将高维预编码问题转化为低维功率控制问题。
• 通过训练神经网络将CSI直接映射到拉格朗日乘子，实现无需迭代优化的实时预编码。

提出的方法

• 将鲁棒预编码问题建模为在功率约束与CSI不确定性下最大化遍历速率，采用后验信道模型以同时纳入瞬时CSI与统计CSI。
• 应用拉格朗日对偶性推导最优预编码器结构，证明预编码器波束成形方向与功率分配对应于广义特征值问题的解。
• 将原始高维预编码问题简化为低维拉格朗日乘子估计问题，其中乘子同时决定波束成形方向与功率水平。
• 设计深度神经网络，学习从CSI（瞬时与统计）到最优拉格朗日乘子的映射，实现快速在线预编码计算。
• 将问题分解为针对瞬时CSI与统计CSI的独立子问题，进一步降低计算复杂度。
• 离线使用信道样本预训练神经网络，使在线推理具有极低延迟与计算负载。

实验结果

研究问题

• RQ1 在非完美CSI条件下，最优鲁棒预编码器结构如何通过广义特征值问题表征？
• RQ2 拉格朗日乘子在鲁棒预编码中如何同时决定波束成形方向与功率分配？
• RQ3 深度神经网络能否有效学习从CSI到拉格朗日乘子的映射，以实现低复杂度的在线预编码？
• RQ4 在CSI不确定性条件下，所提方法与传统迭代算法（如RZF或WMMSE）相比，在性能与复杂度方面表现如何？
• RQ5 将瞬时与统计CSI处理过程分离，在不牺牲遍历速率性能的前提下，能在多大程度上降低计算复杂度？

主要发现

• 最优预编码器结构被表征为广义特征值问题的解，从而实现将高维预编码问题转化为低维拉格朗日乘子估计任务。
• 所提方法在性能上接近迭代算法的最优遍历速率，同时在线计算复杂度显著降低。
• 深度神经网络通过离线训练实现从CSI到拉格朗日乘子的映射，支持极低处理延迟的实时预编码。
• 将问题分解为针对瞬时与统计CSI的独立子问题，显著降低在线计算负载，同时保持高性能。
• 该方法对信道估计误差与CSI老化具有鲁棒性，尤其在高速移动场景中表现优越。
• 仿真结果表明，即使在非完美CSI条件下，所提方法仍能实现接近遍历速率理论上限的性能。