Downlink CCM Estimation via Representation Learning with Graph Regularization

要約

この論文では、均一な線形アレイを持つ基地局 (BS) を備えた周波数分割二重 (FDD) 大規模多入力多出力 (MIMO) 通信システムのためのダウンリンク (DL) チャネル共分散行列 (CCM) 推定アルゴリズムを提案します。
(ULA) アンテナ構造。
角度相反性によるアップリンク (UL) CCM と DL CCM 間の固有の類似性を利用します。
UL CCM をマッピング関数により DL CCM にマッピングする設定を検討します。
まず、マッピング関数を構築することによって非線形埋め込みを学習する理論的な誤差分析を紹介します。これは、高い推定パフォーマンスを達成するためにマッピング関数のリプシッツ規則性が重要であることを示しています。
次に、理論的根拠に基づいて、推定問題の解決策として表現学習アルゴリズムを提案します。このアルゴリズムでは、UL CCM を対応する DL にマッピングするためにガウス RBF カーネル補間器が選択されます。
提案されたアルゴリズムは、トレーニング データセット内の DL CCM サンプルと UL CCM サンプル間の回帰モデルを適合させる目的関数の最適化に基づいており、UL CCM 空間内のデータの局所的な幾何学的構造を保存しながら、リプシッツ連続性を明示的に制御します。
理論的発見に照らしてマッピング関数を説明します。
提案されたアルゴリズムは、シミュレーションによって示されるように、3 つのエラー メトリクスの点でベンチマーク手法を上回っています。

要約(オリジナル)

In this paper, we propose an algorithm for downlink (DL) channel covariance matrix (CCM) estimation for frequency division duplexing (FDD) massive multiple-input multiple-output (MIMO) communication systems with base station (BS) possessing a uniform linear array (ULA) antenna structure. We make use of the inherent similarity between the uplink (UL) CCM and the DL CCM due to angular reciprocity. We consider a setting where the UL CCM is mapped to DL CCM by a mapping function. We first present a theoretical error analysis of learning a nonlinear embedding by constructing a mapping function, which points to the importance of the Lipschitz regularity of the mapping function for achieving high estimation performance. Then, based on the theoretical ground, we propose a representation learning algorithm as a solution for the estimation problem, where Gaussian RBF kernel interpolators are chosen to map UL CCMs to their DL counterparts. The proposed algorithm is based on the optimization of an objective function that fits a regression model between the DL CCM and UL CCM samples in the training dataset and preserves the local geometric structure of the data in the UL CCM space, while explicitly regulating the Lipschitz continuity of the mapping function in light of our theoretical findings. The proposed algorithm surpasses benchmark methods in terms of three error metrics as shown by simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google