For millimeter wave (mmWave) massive multiple-input multiple-output (MIMO) systems, hybrid processing architecture is usually used to reduce the complexity and cost, which poses a very challenging issue in channel estimation. In this paper, deep convolutional neural network (CNN) is employed to address this problem. We first propose a spatial-frequency CNN (SF-CNN) based channel estimation exploiting both the spatial and frequency correlation, where the corrupted channel matrices at adjacent subcarriers are input into the CNN simultaneously. Then, exploiting the temporal correlation in time-varying channels, a spatial-frequency-temporal CNN (SFT-CNN) based approach is developed to further improve the accuracy. Moreover, we design a spatial pilot-reduced CNN (SPR-CNN) to save spatial pilot overhead for channel estimation, where channels in several successive coherence intervals are grouped and estimated by a channel estimation unit with memory. Numerical results show that the proposed SF-CNN and SFT-CNN based approaches outperform the non-ideal minimum mean-squared error (MMSE) estimator but with reduced complexity, and achieve the performance close to the ideal MMSE estimator that is very difficult to be implemented in practical situations. They are also robust to different propagation scenarios. The SPR-CNN based approach achieves comparable performance to SF-CNN and SFT-CNN based approaches while only requires about one third of spatial pilot overhead at the cost of complexity. Our work clearly shows that deep CNN can efficiently exploit channel correlation to improve the estimation performance for mmWave massive MIMO systems.


翻译:对于毫米波(mmWave)大规模多输出多输出(MIMO)系统,通常使用混合处理结构来降低复杂度和成本,这在频道估算方面是一个极具挑战性的问题。在本论文中,利用深层进化神经网络(CNN)来解决这一问题。我们首先建议使用基于空间频率CNN(SF-CNN)的频道估算,利用空间频率和频率的相互关系,将相邻的子容器的腐败通道矩阵同时输入CNN。然后,利用时间变化频道的时间相关性相关性,开发基于空间频率-时空CNN(SFT-CNN)的方法,进一步提高频道估算的准确性。此外,我们设计了一个空间试点式的CNNN(SPR-CNN)网络网络(SPR-CNN) 来节省频道估算的空间试点间接成本,将几个相继接续的频道的频道组合起来,由具有记忆的频道估测单位估算。NFT-N和SFT-N(SF-N) 基础的深度方法可以比近于非最低平均CNR(SM-R) 的系统,在Sestimal IMSestal(Mestal IM) 的运行的运行中,其运行中,其性能要求其精确到非常复杂的运行到最接近性能变化的运行,其性能变。

0
下载
关闭预览

相关内容

基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
深度神经网络模型压缩与加速综述
专知会员服务
128+阅读 · 2019年10月12日
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
已删除
将门创投
4+阅读 · 2018年12月10日
车辆目标检测
数据挖掘入门与实战
30+阅读 · 2018年3月30日
【CNN】一文读懂卷积神经网络CNN
产业智能官
18+阅读 · 2018年1月2日
BranchOut: Regularization for Online Ensemble Tracking with CNN
统计学习与视觉计算组
9+阅读 · 2017年10月7日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
Arxiv
8+阅读 · 2021年2月8日
Arxiv
4+阅读 · 2018年3月14日
VIP会员
相关VIP内容
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
深度神经网络模型压缩与加速综述
专知会员服务
128+阅读 · 2019年10月12日
相关资讯
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
已删除
将门创投
4+阅读 · 2018年12月10日
车辆目标检测
数据挖掘入门与实战
30+阅读 · 2018年3月30日
【CNN】一文读懂卷积神经网络CNN
产业智能官
18+阅读 · 2018年1月2日
BranchOut: Regularization for Online Ensemble Tracking with CNN
统计学习与视觉计算组
9+阅读 · 2017年10月7日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
最佳实践:深度学习用于自然语言处理(三)
待字闺中
3+阅读 · 2017年8月20日
Top
微信扫码咨询专知VIP会员