Deep neural networks for dictionary based 5G channel estimation with no ground truth in mixed SNR scenarios

Channel estimation is a fundamental task for exploiting the advantages of massive Multiple- Input Multiple-Output (MIMO) systems in fifth generation (5G) wireless technology. Channel estimates require solving sparse linear inverse problems that is usually performed with the Least Squares method, which brings low complexity but high mean squared error values. Thus other methods are usually needed to obtain better results, on top of Least Squares. Approximate Message Passing (AMP) is an efficient method for solving sparse linear inverse problems and recently a deep neural network approach to quickly solving such problems has been proposed, called Learned Approximate Message Passing (LAMP) [5], which estimates AMP with a fixed number iterations and learnable parameters. We formalize the channel estimation problem as a dictionary-based sparse linear inverse problem and investigate the applicability of LAMP to the task. We build upon the work of Borgerding et al. [5], providing a new loss function to minimize for our dictionary-based problem, we investigate empirically LAMP’s capabilities in various conditions: varying the dataset size, number of subcarriers, depth of network, and signal-to-noise ratio (SNR). We also propose a new network called Adaptive-LAMP which differs from LAMP for the introduction of a small neural network in each layer for estimating certain parameters instead of learning them. Experiments show that LAMP performs significantly better than AMP in terms of NMSE at low signal-to-noise ratio (SNR) levels and worse at high SNR levels. Interestingly, both proposed networks perform well at discovering active paths in cellular networks, paving the way for new approaches to the Channel Estimation problem.

La stima del canale di comunicazione è un task fondamentale per sfruttare i vantaggi dei sistemi massive Multiple-Input Multiple-Output (MIMO) nella tecnologia wireless di quinta generazione (5G). Le stime del canale di comunicazione richiedono di risolvere problemi di inversione lineare sparsa e ciò è generalmente effettuato con il metodo Least Squares(LS), che garantisce una bassa complessità ma un alto errore quadratico medio. Per questo motivo, altri metodi sono spesso utilizzati in serie per ottenere risultati migliori. Approximate Message Passing (AMP) è un metodo efficiente per risolvere problemi di inversione lineare sparsa e recentemente è stato proposto un metodo basato su reti neurali profonde, chiamato Learned Approximate Message Passing (LAMP) [5], che approssima AMP con un numero finito di iterazioni e parametri imparabili. In questa tesi dimostriamo come ricondurre il problema della stima del canale di comunicazione a un problema di inversione lineare sparsa basato su dizionario e investighiamo l’applicabilità di LAMP in questo contesto. Prendiamo ispirazione da lavoro di Borgerding et al. [5], fornendo una nuova funzione di costo da minimizzare per il nostro problema basato su dizionario e investigando empiricamente sulle potenzialità di LAMP in molteplici condizioni: variando la dimensione del dataset, il numero di subcarriers, la profondità della rete e il rapporto segnale-rumore (SNR). Inoltre proponiamo una nuova rete neurale chiamata Adaptive-LAMP che differisce da LAMP per l’introduzione di una piccola rete neurale in ogni livello che stimi alcuni parametri, anzichè impararli. Gli esperimenti mostrano come LAMP ottenga risultati migliori rispetto ad AMP in termini di NMSE a bassi livelli di SNR e peggiori ad alti livelli di SNR. Risulta molto interessante il fatto che entrambe le reti neurali proposte siano in grado di riconoscere correttamente i percorsi attivi nel canale, gettando le basi per futuri nuovi approcci al problema della stima del canale.