Massive MIMO and multi-hop mobile communication systems

Gherekhloo, Sepideh

doi:10.22032/dbt.61615

Veröffentlicht

Massive MIMO and multi-hop mobile communication systems

Deutsch
Englisch

Seit den späten 1990er Jahren wurden massive MIMO (multiple-input multiple-output) Systeme vorgeschlagen, um die erreichbaren Datenraten in drahtlosen Kommunikationssystemen zu verbessern. Um die hohen Pfadverluste in den Hochfrequenzbändern zu überwinden, wird die Verwendung von massive MIMO in zukünftigen drahtlosen Kommunikationssystemen eher ein Muss als eine Option sein. Gleichzeitig ist aufgrund der hohen Kosten und des hohen Energieverbrauchs der herkömmlichen volldigitalen Beamforming-Architektur eine neue Beamforming-Architektur erforderlich. Unter den vorgeschlagenen Lösungen hat eine hybride analog digitale (HAD) Beamforming- Architektur erhebliche Aufmerksamkeit erhalten. Die vielversprechenden Gewinne durch den Einsatz von massive MIMO hängen stark von der Verfügbarkeit von genauer Kanalzustandsinformation (CSI) ab. Diese Arbeit betrachtet ein breitbandiges OFDM-System mit massive MIMO. Wir schlagen eine Kanalschätzmethode namens SALSA (sequential alternating least squares approximation) vor, die eine versteckte Tensorstruktur in der gemessenen Uplink-Matrix unter Berücksichtigung der HADArchitektur an der Basisstation (BS) ausnutzt. Anschließend wird die Kanalmatrix sequentiell mit einer ALS (alternating least squares)-Methode geschätzt. Der vorgeschlagene SALSA-Algorithmus ist unabhängig von den Kanaleigenschaften auf jedes massive MIMO-System anwendbar. Detaillierte Simulationsergebnisse zeigen, dass SALSA im Vergleich zu den klassischen LS (least squares)- und MMSE (minimum mean squared error)-Verfahren eine flexiblen Abtausch zwischen Komplexität und Genauigkeitaufweist. Anschließend schlagen wir einen Entwurf für die Beamforming-Matrix mit geringer Komplexität vor, der auf jede hybride Architektur anwendbar ist und bei dem wir den Entwurf der Basisband- und der analogen Beamforming-Matrizen entkoppeln. Wir zeigen, dass das Design der analogen Beamforming-Matrix als eine Reihe von konvexen Teilproblemen geschrieben werden kann, die iterativ aktualisiert werden, bis Konvergenz erreicht ist. Im Vergleich zu den Referenzalgorithmen erreicht unser Algorithmus entweder eine vergleichbare Leistung oder übertrifft sie erheblich, je nach der HAD Beamforming Architektur. Der von uns vorgeschlagene Entwurf für die Beamforming- Architektur weist eine geringe Komplexität auf und ist auf jede Hybridarchitektur anwendbar.

Die Erkundung neuer, weniger überlasteter Frequenzbänder, wie der Frequenzen im Millimeterwellenbereich (mmWave), d. h. 30 - 300 GHz, wurde als vielversprechende Lösung zur Erhöhung der Netzkapazität vorgeschlagen. Diese Frequenzbänder weisen jedoch im Vergleich zum Sub-6-GHz-Band hohe Pfadverluste auf, so dass sie nur für Kurzstrecken- und Innenraumkommunikationsszenarien geeignet sind. Rekonfigurierbare intelligente Oberflächen (RISs - Reconfigurable intelligent surfaces) wurde als kostengünstige und umweltfreundliche Lösung zur Verbesserung der Kommunikationsreichweite und zur Überwindung von Blockierungsproblemen in zukünftigen drahtlosen Kommunikationsnetzwerken eingeführt. Diese Arbeit betrachtet ein RIS-basiertes mmWave MIMO-System, bei dem die RIS aus passiven reflektierenden Elementen besteht. Wir schlagen zwei neue Kanalschätzmethoden für Single RIS (S-RIS)-basierte Systeme vor. Unter Ausnutzung der geringen Rangstruktur von mmWave-Kanälen in der räumlichen Auflösung schlagen wir einen nichtiterativen TRICE (Two-stage RIS-aided Channel Estimation)-Algorithmus vor, bei dem jede Stufe als mehrdimensionales Richtungs (DoA)-Schätzproblem formuliert wird. Infolgedessen ist unser TRICE-Algorithmus sehr allgemein in dem Sinne, dass jede effiziente mehrdimensionale DoA-Schätzlösung ohne weiteres in jeder Stufe zur Schätzung der zugehörigen Kanalparameter verwendet werden kann. Wir erweitern dann unseren TRICE-Algorithmus, indem wir die Tensorstruktur der empfangenen Signale ausnutzen, die eine CPD (canonical polyadic decomposition)-Analyse, auch bekannt als PARAFAC (Parallel Factor)- Analyse, ermöglicht. Diese Erweiterung wird als TenRICE (Tensor-based RIS Channel Estimation) bezeichnet, wobei die Tensorfaktormatrizen mit einer ALS-Methode geschätzt werden. Numerische Simulationen bewerten die resultierende Systemleistung und zeigen, dass beide Methoden im Vergleich zu den Benchmark-Lösungen weniger Trainingsaufwand und Rechenkomplexität erfordern, während TenRICE eine überlegene Leistung aufweist, die der Cramér Rao Schranke CRB nahekommt. Anschließend schlagen wir ein heuristisches, nicht-iteratives zweistufiges Verfahren zum Entwurf der RIS-Reflexionskoeffizienten vor, bei dem der RIS-Reflexionsvektor in geschlossener Form unter Verwendung der FroMax (Frobenius-Norm Maximization)-Strategie ermittelt wird. Unsere Simulationsergebnisse zeigen, dass FroMax eine vergleichbare Leistung wie Benchmark-Methoden mit geringerer Komplexität erreicht.

Da die Leistung von S-RIS-gestützten Systemen von der Entfernung der RIS zum Sender und Empfänger abhängt, haben Systeme mit mehreren RISs in den letzten Jahren mehr Aufmerksamkeit erhalten. In dieser Arbeit wird ein Double RIS (D-RIS)-basiertes MIMO-System mit flachem Fading betrachtet und es werden Methoden zur Kanalschätzung vorgeschlagen, wenn (i) beide RISs den gleichen Trainingsaufwand haben und (ii) die RISs unterschiedliche Trainingsaufwände haben. Für den Fall (i) schlagen wir eine ALS-basierte Kanalschätzungsmethode, genannt CEJOINT (channel estimation for joint training), vor, die die Tucker2-Tensorstruktur der empfangenen Signale nutzt. Wir zeigen, dass, wenn die reflektierenden Elemente des S-RIS-Systems sorgfältig zwischen den beiden RISs in einem D-RIS-System verteilt werden, der Trainingsaufwand im D-RIS-System reduziert werden kann und die Schätzgenauigkeit im Vergleich zum S-RIS-System ebenfalls erhöht werden kann. Für den Fall (ii) zeigen wir, dass das empfangene Signal als ein 4-dimensionaler-Tensor dargestellt werden kann, der ein nested PARAFAC-Zerlegungsmodell erfüllt. Unter Ausnutzung einer solchen Struktur schlagen wir eine geschlossene Form für eine KRF (Khatri-Rao Factorization)-basierte und eine iterative ALS-basierte Kanalschätzungsmethode vor, die als KRF-SEPT (KRF-based for separate training) bzw. ALS-SEPT SEPT (ALS-based for separate training) bezeichnet werden. Die numerischen Ergebnisse zeigen, dass beide vorgeschlagenen Methoden eine vergleichbare Leistung haben, solange die Identifizierbarkeitsbedingungen der KRF-SEPT-Methode erfüllt sind, während die ALS-SEPT-Methode eine zufriedenstellende Leistung mit weniger Trainingsaufwand erreichen kann. Darüber hinaus kann die Leistung der vorgeschlagenen ALS-SEPT-Methode durch die Verwendung von KRF-SEPT als Initialisierung weiter verbessert werden.

Since the late 1990s, massive multiple-input multiple-output (MIMO) has been suggested to improve the achievable data rate in wireless communication systems. To overcome the high path losses in the high frequency bands, the use of massive MIMO will be a must rather than an option in future wireless communication systems. At the same time, due to the high cost and high energy consumption of the traditional fully digital beamforming architecture, a new beamforming architecture is required. Among the proposed solutions, the hybrid analog digital (HAD) beamforming architecture has received considerable attention. The promising massive MIMO gains heavily rely on the availability of accurate channel state information (CSI). This thesis considers a wideband massive MIMO orthogonal frequency division multiplexing (OFDM) system. We propose a channel estimation method called sequential alternating least squares approximation (SALSA) by exploiting a hidden tensor structure in the uplink measurement matrix considering the HAD architecture at the base station (BS). Then, the channel matrix is estimated sequentially using an alternating least squares (ALS) method. The proposed SALSA algorithm is applicable for any massive MIMO system regardless of the channel characteristics. Detailed simulation results show that SALSA offers flexible control of the complexity-accuracy trade-off compared to the classical least squares (LS) and minimum mean squared error (MMSE) methods. Then, we propose a HAD beamforming with a low-complexity design applicable to any hybrid architecture, where we decouple the designing of the baseband and analog beamforming matrices. We show that the analog beamforming matrix design can be written as a series of convex sub-problems that are updated iteratively until convergence is obtained. Compared to the reference algorithms, our framework either achieves a comparable performance or significantly outperforms them depending on the HAD beamforming architecture. Our proposed HAD beamforming design has a low-complexity and is applicable for any hybrid architecture.

Exploring new less-congested frequency bands, such as millimeter wave (mmWave) frequencies, i.e., 30 - 300 GHz, has been proposed as a promising solution to increase network capacity. However, mmWave and high-frequency bands suffer from a high path loss compared to the sub-6 GHz band, which renders them applicable only for short-range and indoor communication scenarios. Reconfigurable intelligent surfaces (RISs) have been introduced as a low-cost and green solution to improve the communication range and overcome blockage issues in future wireless communication networks. This thesis considers an RIS-aided mmWave MIMO system, where the RIS is constituted of passive reflecting elements. We propose two novel channel estimation techniques for Single RIS (S-RIS)-aided systems. By exploiting the low-rank nature of mmWave channels in the angular domains, we propose a non-iterative Two-stage RIS-aided Channel Estimation (TRICE) framework, where every stage is formulated as a multi-dimensional direction of arrival (DoA) estimation problem. As a result, our TRICE framework is very general in the sense that any efficient multi-dimensional DoA estimation solution can be readily used in every stage to estimate the associated channel parameters. Then, we extend our TRICE framework by exploiting the tensor structure of the received signals, which admit a canonical polyadic decomposition (CPD), which is also known as Parallel Factor (PARAFAC) analysis. This extension is called Tensor-based RIS Channel Estimation (TenRICE), in which the tensor factor matrices are estimated via an ALS method. Numerical simulations evaluate the resulting system performance and show that both methods require a lower training overhead and a lower computational complexity, compared to the benchmark solutions, while TenRICE has a superior performance approaching the Cramér Rao lower Bound (CRB). After that, we propose a heuristic non-iterative two-step method to design the RIS reflection coefficients, where the RIS reflection vector is obtained in a closed-form using the Frobenius-Norm Maximization (FroMax) strategy. Our simulation results show that FroMax achieves a comparable performance to benchmark methods with a lower complexity.

Since the performance of the S-RIS-aided systems depends on the distance of the RIS to the transmitter and the receiver, multi-RIS-aided systems have attracted more attention in the recent years. This thesis considers a flat-fading Double RIS (D-RIS)-aided MIMO system and proposes channel estimation techniques when (i) both RISs have the same training overhead and (ii) RISs have different training overheads. For case (i), we propose an ALS-based channel estimation method, called channel estimation for joint training (CEJOINT), by exploiting the Tucker2 tensor structure of the received signals. We show that if the reflective elements of the S-RIS system are carefully distributed between the two RISs in a D-RIS system, the training overhead in the D-RIS system can be reduced and the estimation accuracy can also be increased compared to the S-RIS system. For case (ii), we show that the received signal can be

represented as a 4-way tensor satisfying a nested PARAFAC decomposition model. Exploiting such a structure, we propose a closed-form Khatri-Rao Factorization (KRF)-based and an iterative ALS-based channel estimation method, which are called KRF-based for separate training (KRF-SEPT) and ALS-based for separate training (ALS-SEPT ), respectively. The numerical results show that both proposed methods have a comparable performance as long as the identifiability conditions of the KRF-SEPT are satisfied, while the ALS-SEPT method can achieve a satisfactory performance with less training overhead. Moreover, the performance of the proposed ALS -SEPT method can further be improved by using KRF-SEPT as an initialization.