Deep-Learning-Based Channel Estimation for Distributed MIMO with 1-bit Radio-Over-Fiber Fronthaul

要約

このアーキテクチャでは、アクセスポイントは光ファイバーフロントホール・リンクを介して中央処理ユニットに接続され、受信したアナログ無線周波数信号の2レベル量子化バージョンを伝送する。Nguyenら（2023）によって最近提案された深層学習ベースのチャネル推定アルゴリズムをこのアーキテクチャに適応させ、自動利得制御器（AGC）と比較器によって考慮されたアーキテクチャに導入される追加的な信号歪み（1ビット量子化を超える）に対する頑健性を調査する。これらのコンポーネントは、受信信号から2レベルのアナログ波形を生成するためにアクセスポイントで使用される。シミュレーションの結果、提案するチャネル推定方式は、Bussgang線形最小平均二乗誤差チャネル推定方式を大幅に上回り、AGCとコンパレータによってもたらされる付加的な障害に対してロバストであることを示す。

要約(オリジナル)

We consider the problem of pilot-aided, uplink channel estimation in a distributed massive multiple-input multiple-output (MIMO) architecture, in which the access points are connected to a central processing unit via fiber-optical fronthaul links, carrying a two-level-quantized version of the received analog radio-frequency signal. We adapt to this architecture the deep-learning-based channel-estimation algorithm recently proposed by Nguyen et al. (2023), and explore its robustness to the additional signal distortions (beyond 1-bit quantization) introduced in the considered architecture by the automatic gain controllers (AGCs) and by the comparators. These components are used at the access points to generate the two-level analog waveform from the received signal. Via simulation results, we illustrate that the proposed channel-estimation method outperforms significantly the Bussgang linear minimum mean-square error channel estimator, and it is robust against the additional impairments introduced by the AGCs and the comparators.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL