用于联合信道估计与混合波束成形的混合时间尺度深度展开
信息论
2022-06-09 v1 信号处理
math.IT
摘要
在大规模多输入多输出（MIMO）系统中，混合模拟-数字波束成形是一种无需为每个天线使用专用射频链即可利用潜在阵列增益的关键技术。然而，由于天线数量庞大，传统的信道估计与混合波束成形算法通常需要较高的计算复杂度和信令开销。在本工作中，我们提出一种端到端深度展开神经网络（NN）联合信道估计与混合波束成形（JCEHB）算法，以最大化时分双工（TDD）大规模 MIMO 中的系统和速率。具体而言，递归最小二乘（RLS）算法与随机连续凸近似（SSCA）算法分别被展开用于信道估计与混合波束成形。为降低信令开销，我们考虑一种混合时间尺度混合波束成形方案，其中模拟波束成形矩阵基于信道状态信息（CSI）统计量离线优化，而数字波束成形矩阵在每个时隙基于估计的低维等效 CSI 矩阵设计。我们基于 CSI 统计量离线联合训练模拟波束成形器与 RLS 和 SSCA 所诱导的深度展开 NN 的可训练参数。在数据传输期间，我们通过 RLS 诱导的深度展开 NN 估计低维等效 CSI 并更新数字波束成形器。此外，我们提出一种模拟波束成形器在线优化的混合时间尺度深度展开 NN，并将该框架扩展到考虑信道反馈的频分双工（FDD）系统。仿真结果表明，所提算法能以更低的计算复杂度和信令开销显著优于传统算法。
引用
@article{arxiv.2206.03755,
title = {Mixed-Timescale Deep-Unfolding for Joint Channel Estimation and Hybrid Beamforming},
author = {Kai Kang and Qiyu Hu and Yunlong Cai and Guanding Yu and Jakob Hoydis and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2206.03755},
year = {2022}
}