Loading…
Structured channel covariance estimation and applications to massive MIMO communications
Yang, Tianyu
Massive Multiple-Input Multiple-Output (MIMO) communication system has been used as a key technology component in the current fifth-generation (5G) modern telecommunication infrastructures. The most notable characteristic of massive MIMO systems is the large number of antenna elements equipped in the Base Station (BS) antenna array, which enjoys spatial multiplexing to simultaneously serve multiple single-antenna users under a high data transmission sum rate. Thanks to channel hardening and large beamforming gain, the advantages of massive MIMO systems include, e.g., high energy efficiency, inter-cell interference suppression, and user scheduling simplification.
In massive MIMO systems, the knowledge of uplink (UL) and downlink (DL) channel covariance matrices is essential for a variety of purposes, such as minimum mean square error (MMSE) UL channel estimation and pilot decontamination as well as efficient DL multiuser precoding/beamforming. Due to the large number of BS antennas in massive MIMO, accurate covariance estimation is challenging, especially under a limited number of samples that is comparable to the channel vector dimension. As a result, the standard sample covariance estimator yields high estimation error which may yield significant system performance degradation with respect to the ideal channel knowledge case. To have a better channel covariance estimation, in the first part of this dissertation, the channel geometrical structure is exploited to perform the proposed channel covariance estimation method based on a parametric representation of the channel angular scattering function. In contrast to the other works, the proposed method handles the most general model where both discrete and diffuse scattering are considered.
This dissertation further studies some channel covariance-involved problems in massive MIMO.
First, acquiring DL channel state information (CSI) at the transmitter in Frequency Division Duplexing (FDD) systems is focused, where a closed-loop DL common training and UL feedback are considered. Using the remote rate-distortion theory, we provided the MSE-optimal rate-distortion feedback strategy, which is only achieved with the encoding of long sequences of channel states. Based on different requirements in terms of knowledge of the channel covariance at the user and at the BS, three practical "one-shot'' CSI feedback strategies are considered and their large-SNR channel estimation MSE behavior is studied.
Second, the deep-learning-aided DL channel training and precoding for limited DL training dimensions in FDD systems are addressed. With the aid of deep neural networks (DNNs), we propose an end-to-end data-driven solution to maximize the DL sum rate by optimizing the pre-beamformer that builds both the DL training/pilot matrix and precoding/beamforming matrix. The channel rank of the resulting effective channel is comparable to the pilot dimension and less than the original channel.
Finally, the channel estimation problem in the recent emerging extra-large antenna array with one-bit quantization is addressed. The extra-large antenna array results in spatially non-stationary channels, which contain local scatterings that are only visible by a part of the antenna array, and thus the typical channel covariance structure, e.g., the Toeplitz structure for uniform linear array (ULA), exists no more. Additionally, the used one-bit quantization for lower energy consumption under large array dimensions brings difficulty of channel vector and covariance estimation due to its nonlinear nature. To address the problem, we adopt the Bussgang Linear MMSE (BLMMSE) channel estimator and propose a channel covariance estimation with the help of random dithering. All proposed algorithms and analytical results are verified by numerical experiments with comparison to the solutions in other works.
Das Massive Multiple-Input Multiple-Output (MIMO)-Kommunikationssystem wird als Schlüsseltechnologiekomponente in den aktuellen modernen Telekommunikationsinfrastrukturen der fünften Generation (5G) eingesetzt. Das bemerkenswerteste Merkmal massiver MIMO-Systeme ist die große Anzahl von Antennenelementen, die im Antennenarray der Basisstation (BS) ausgestattet sind, das über räumliches Multiplexing verfügt, um mehrere Einzelantennenbenutzer gleichzeitig mit einer hohen Datenübertragungssummenrate zu bedienen. Zu den Vorteilen von Massive-MIMO-Systemen gehören dank der Kanalhärtung und der großen Strahlformungsverstärkung beispielsweise eine hohe Energieeffizienz, die Unterdrückung der Interzellularinterferenz und eine vereinfachte Benutzerplanung.
In Massive-MIMO-Systemen ist die Kenntnis der Kovarianzmatrizen von Uplink- (UL) und Downlink- (DL) Kanälen für eine Vielzahl von Zwecken unerlässlich, beispielsweise für die Minimum Mean Square Error (MMSE)-UL-Kanalschätzung und Pilotdekontamination sowie für effiziente DL-Mehrbenutzer-Vorkodierung/Beamforming. Aufgrund der großen Anzahl von BS-Antennen in Massive MIMO ist eine genaue Kovarianzschätzung eine Herausforderung, insbesondere bei einer begrenzten Anzahl von Pilotstichproben, die mit der Kanalvektordimension vergleichbar ist. Infolgedessen führt der standardmäßige Stichproben-Kovarianzschätzer zu einem hohen Schätzfehler, der im Vergleich zum idealen Kanalwissensfall zu einer erheblichen Verschlechterung der Systemleistung führen kann. Um eine bessere Kanalkovarianzschätzung zu erreichen, wird im ersten Teil dieser Dissertation die geometrische Struktur des Kanals ausgenutzt, um die vorgeschlagene Kanalkovarianzschätzungsmethode basierend auf einer parametrischen Darstellung der Kanalwinkelstreufunktion durchzuführen. Im Gegensatz zu den anderen Arbeiten behandelt die vorgeschlagene Methode das allgemeinste Modell, bei dem sowohl diskrete als auch diffuse Streuung berücksichtigt werden.
In dieser Dissertation werden einige mit der Kanalkovarianz verbundene Probleme bei massivem MIMO weiter untersucht. Zunächst liegt der Schwerpunkt auf der Erfassung von DL-Kanalstatusinformationen (CSI) am Sender in Frequency Division Duplexing (FDD)-Systemen, wobei ein gemeinsames DL-Training mit geschlossenem Regelkreis und UL-Feedback berücksichtigt werden. Unter Verwendung der Remote-Ratenverzerrungstheorie haben wir die MSE-optimale Ratenverzerrungs-Rückkopplungsstrategie bereitgestellt, die nur durch die Kodierung langer Sequenzen von Kanalzuständen erreicht wird. Basierend auf unterschiedlichen Anforderungen an die Kenntnis der Kanalkovarianz beim Benutzer und bei der BS werden drei praktische „One-Shot“-CSI-Feedback-Strategien betrachtet und ihr MSE-Verhalten bei der Kanalschätzung bei großem SNR untersucht.
Zweitens werden das Deep-Learning-gestützte DL-Kanaltraining und die Vorkodierung für begrenzte DL-Trainingsdimensionen in FDD-Systemen behandelt. Mit Hilfe tiefer neuronaler Netze (DNNs) schlagen wir eine datengesteuerte End-to-End-Lösung zur Maximierung der DL-Summenrate vor, indem wir den Pre-Beamformer optimieren, der sowohl die DL-Trainings-/Pilotmatrix als auch die Vorcodierungs-/Beamforming-Matrix aufbaut. Der Kanalrang des resultierenden effektiven Kanals ist mit der Pilotdimension vergleichbar und niedriger als der des ursprünglichen Kanals.
Abschließend wird das Problem der Kanalschätzung in den kürzlich aufkommenden extragroßen Antennenarrays mit Ein-Bit-Quantisierung angesprochen. Das besonders große Antennenarray führt zu räumlich instationären Kanälen, die lokale Streuungen enthalten, die nur für einen Teil des Antennenarrays sichtbar sind, und damit zur typischen Kanalkovarianzstruktur, z. B. der Toeplitz-Struktur für Uniform Linear Array (ULA), existiert nicht mehr. Darüber hinaus bringt die verwendete Ein-Bit-Quantisierung für einen geringeren Energieverbrauch bei großen Array-Abmessungen aufgrund ihrer nichtlinearen Natur Schwierigkeiten bei der Kanalvektor- und Kovarianzschätzung mit sich. Um das Problem anzugehen, verwenden wir den Kanalschätzer Bussgang Linear MMSE (BLMMSE) und schlagen eine Kanalkovarianzschätzung mit Hilfe von Zufallsdithering vor. Alle vorgeschlagenen Algorithmen und Analyseergebnisse werden durch numerische Experimente mit Vergleich zu den Lösungen in anderen Arbeiten verifiziert.
