[论文解读] Trainable Projected Gradient Detector for Massive Overloaded MIMO Channels: Data-driven Tuning Approach

Satoshi Takabe, Masayuki Imanishi+3 more|arXiv (Cornell University)|Dec 25, 2018

Radar Systems and Signal Processing参考文献 25被引用 5

一句话总结

本论文提出了一种可训练的投影梯度检测器（TPG-detector），用于大规模过载MIMO系统，其中发射天线数量超过接收天线数量。通过将可学习参数（如步长）集成到投影梯度下降框架中，并利用反向传播和随机梯度下降进行优化，TPG-detector在计算成本更低、可扩展性更强的前提下，实现了与最先进方法IW-SOAV相当的误比特率（BER）性能，其优势在于参数规模固定，且每轮迭代的复杂度为O(mn)。

ABSTRACT

This paper presents a deep learning-aided iterative detection algorithm for massive overloaded multiple-input multiple-output (MIMO) systems where the number of transmit antennas $n$ is larger than that of receive antennas $m$. Since the proposed algorithm is based on the projected gradient descent method with trainable parameters, it is named the trainable projected gradient-detector (TPG-detector). The trainable internal parameters, such as the step-size parameter, can be optimized with standard deep learning techniques, i.e., the back propagation and stochastic gradient descent algorithms. This approach is referred to as data-driven tuning, and ensures fast convergence during parameter estimation in the proposed scheme. The TPG-detector mainly consists of matrix-vector product operations whose computational cost is proportional to $m n$ for each iteration. In addition, the number of trainable parameters in the TPG-detector is independent of the number of antennas. These features of the TPG-detector result in a fast and stable training process and reasonable scalability for large systems. Numerical simulations show that the proposed detector achieves a comparable detection performance to those of existing algorithms for massive overloaded MIMO channels, e.g., the state-of-the-art IW-SOAV detector, with a lower computation cost.

研究动机与目标

• 为解决大规模过载MIMO系统中n > m时设计低复杂度、高性能检测算法的挑战。
• 克服传统检测器（如ZF和MMSE）在过载场景下BER性能较差的局限性。
• 开发一种可扩展的检测方法，即使在系统规模增大时也能保持低计算成本。
• 利用深度学习技术实现对迭代检测参数的数据驱动调优，提升收敛速度与性能。

提出的方法

• TPG-detector基于带有可学习内部参数（如步长）的投影梯度下降，支持通过反向传播进行端到端优化。
• 该算法将迭代检测过程展开为可微分的信号流，类似于前馈神经网络，从而支持基于梯度的优化。
• 核心操作为矩阵-向量乘法，每轮迭代的复杂度为O(mn)，确保计算效率。
• 可学习参数的数量与天线数量无关，因此可扩展至大规模系统。
• 该方法使用随机梯度下降和反向传播，基于训练数据对步长、投影阈值等参数进行调优。
• 检测器通过合成信道与信号数据进行训练，性能通过蒙特卡洛仿真中的BER进行评估。

实验结果

研究问题

• RQ1 可训练的迭代检测算法是否能在大规模过载MIMO系统中实现与最先进方法（如IW-SOAV）相当的BER性能，同时降低计算复杂度？
• RQ2 在投影梯度框架中，对内部参数（如步长）进行数据驱动调优，如何影响收敛速度与检测精度？
• RQ3 考虑到其参数无关架构，TPG-detector在发射与接收天线数量增加时，其可扩展性如何？
• RQ4 当用可学习参数替代固定参数的迭代检测器时，检测性能与计算成本之间的权衡如何？
• RQ5 通过端到端学习，TPG-detector是否能在不同信噪比（SNR）和信道条件下保持鲁棒性？

主要发现

• TPG-detector在各种SNR水平和系统配置下，检测性能与最先进方法IW-SOAV相当。
• 每轮迭代的计算成本为O(mn)，显著低于IW-SOAV中矩阵求逆的O(n³)复杂度，尤其在无法进行预计算时优势明显。
• 可学习参数的数量保持恒定，与系统规模无关，从而实现对大规模MIMO系统的高效且可扩展的训练。
• 由于通过反向传播和随机梯度下降实现数据驱动的参数调优，TPG-detector在训练过程中表现出更快的收敛速度。
• 数值结果表明，TPG-detector在BER性能上优于传统ZF和MMSE检测器，同时保持低复杂度。
• 该方法在检测精度与计算效率之间实现了良好平衡，适用于5G和物联网网络的实际部署。