[论文解读] Super-Resolution Blind Channel-and-Signal Estimation for Massive MIMO with Arbitrary Array Geometry.

Hang Liu, Xiaojun Yuan+1 more|arXiv (Cornell University)|Oct 2, 2018

Blind Source Separation Techniques被引用 5

一句话总结

该论文提出了一种利用超分辨率采样网格和隐马尔可夫支撑来建模角度域信道稀疏性的大规模MIMO系统盲估计超分辨率方法。通过变分推理和期望最大化算法，联合估计信道与用户信号，其估计误差低于现有最先进方法，尤其在非均匀阵列结构下表现更优。

ABSTRACT

In this paper, we study blind channel-and-signal estimation by exploiting the burst-sparse structure of angular-domain propagation channels in massive MIMO systems. The state-of-the-art approach utilizes the structured channel sparsity by sampling the angular-domain channel representation with a uniform angle-sampling grid, a.k.a. virtual channel representation. However, this approach is only applicable to uniform linear arrays and may cause a substantial performance loss due to the mismatch between the virtual representation and the true angle-information. To tackle these challenges, we propose a channel sparsity representation with a super-resolution sampling grid and a hidden Markovian support. Based on that, we develop a novel variational inference based blind estimation algorithm to estimate the channel and the user signals simultaneously, with emphasis on the adoption of the expectation-maximization method to learn the angle-information. Furthermore, we demonstrate the low-complexity implementation of our algorithm, making use of factor graph and message passing principles to compute the marginal posteriors. Numerical results show that our proposed method significantly reduces the estimation error compared to the state-of-the-art approach under various settings, which verifies the efficiency and robustness of our method.

研究动机与目标

• 解决非均匀线性阵列中虚拟信道表示失配导致的性能下降问题。
• 克服均匀角度采样网格在捕捉大规模MIMO系统真实角度信息方面的局限性。
• 实现在无阵列几何结构或信道结构先验知识情况下的盲联合信道与信号估计。
• 开发一种适用于实际部署的低复杂度算法，利用因子图与消息传递实现。
• 在各种阵列几何结构和传播条件下实现鲁棒且精确的估计。

提出的方法

• 引入超分辨率采样网格，以更准确地捕捉信道抽头真实角度分布，优于传统的均匀虚拟网格。
• 利用隐马尔可夫支撑模型对角度域信道稀疏性进行建模，以利用空间相关性与结构特征。
• 提出一种基于变分推理的算法，通过后验概率最大化实现信道与用户信号的联合估计。
• 应用期望最大化方法，从数据中迭代学习潜在的角度支撑结构。
• 通过因子图表示与消息传递高效实现算法，以计算边缘后验概率。
• 利用稀疏性与马尔可夫结构降低计算复杂度，同时保持高精度。

实验结果

研究问题

• RQ1 超分辨率采样网格是否能提升盲大规模MIMO信道估计中的角度分辨率与估计精度？
• RQ2 隐马尔可夫支撑模型在角度域信道稀疏性建模中如何增强空间相关性的表示能力？
• RQ3 所提出的基于变分推理与EM的方法在非均匀阵列结构下，相较于传统均匀网格方法，性能提升程度如何？
• RQ4 所提算法是否能在保持高估计精度的同时实现低复杂度实现？
• RQ5 该方法在不同阵列几何结构与传播场景下的鲁棒性如何？

主要发现

• 所提方法在所有测试的阵列几何结构下，估计误差显著低于现有最先进方法的均匀网格方案。
• 超分辨率采样网格有效捕捉了真实的角结构，降低了非均匀阵列中的失配损耗。
• 隐马尔可夫支撑通过利用角度域的空间相关性，提升了建模精度。
• 基于变分推理与EM的框架实现了无需先验知识的鲁棒联合信道与信号估计。
• 因子图与消息传递的实现方式确保了低计算复杂度，支持实际部署。
• 数值结果验证了该方法在多样化传播与阵列配置下的鲁棒性与高效性。