Channel Estimation in MIMO Systems Using Deep Learning

Abstract

Along with an increase in demand for wireless data services and advancements toward 5G and beyond, the demand for spectrally efficient and reliable communication systems rises. Multiplexing and diversity gain enabled through multiple antennas can help satisfy this demand through the use of Multiple-Input Multiple-Output (MIMO). Unfortunately, the efficiency of MIMO systems critically depends on Channel State Information (CSI), which is difficult to extract in practice due to the effects of Rayleigh fading and additive noise. Typically, the process of estimating CSI involves algorithms based on mathematical models and uses pilot symbols. Even though those methods are relatively simple and effective in terms of computational cost, they often demonstrate poor performance when used at low SNRs or when there is a discrepancy between actual channel behavior and modeling assumptions. In order to improve on existing techniques, a Deep Learning (DL)-based channel estimation technique for 2×2 MIMO communication over Rayleigh fading channel with additive white Gaussian noise is proposed in this work. The problem is set up as a regression learning problem in which a fully connected Residual Deep Neural Network (DNN) is trained on pilot sequences in order to learn the relationship between pilot sequences and channel parameters. Python programming language was used to implement the approach within the Google Colab environment; synthesized data was generated for various SNRs. MSE is used as the measure of performance in comparison with the Least Squares (LS) estimator. Simulations show better MSE results achieved by DL in most cases, especially in situations of low and moderate SNRs. Therefore, deep learning shows promising results as a potential CSI estimation technique in intelligent communication systems. مع تزايد الطلب على خدمات البيانات اللاسلكية والتطور نحو الجيل الخامس ) (5Gوما بعده، يزداد الطلب على أنظمة اتصال تتميز بالكفاءة الطيفية والموثوقية العالية. يمكن تحقيق مكاسب في التعددية والتنوع باستخدام عدة هوائيات من خلال تقنية الأنظمة متعددة الإدخال ومتعددة الإخراج .) (MIMOومع ذلك، فإن كفاءة أنظمة MIMOتعتمد بشكل كبير على معلومات حالة القناة) ، (CSIوالتي يصعب استخراجها عمليًا بسبب تأثيرات التلاشي من نوع رايلي والضوضاء المضافة. عادةً ما تتضمن عملية تقدير معلومات حالة القناة خوارزميات تعتمد على نماذج رياضية وتستخدم رمو ًزا تجريبية .) (Pilot Symbolsوعلى الرغم من أن هذه الطرق بسيطة نسبيًا وفعالة من حيث التكلفة الحسابية، إلا أنها غالبًا ما تُظهر أدا ًء ضعيفًا عند نسب إشارة إلى ضوضاء منخفضة ) (SNRأو عند وجود اختلاف بين سلوك القناة الفعلي والافتراضات المستخدمة في النمذجة. ومن أجل تحسين التقنيات الحالية، يقترح هذا العمل تقنية لتقدير القناة تعتمد على التعلم العميق ) (DLلنظام )MIMO (2×2عبر قناة رايلي مع ضوضاء غاوسية بيضاء مضافة. تمت صياغة المشكلة على أنها مسألة تعلم انحدار) ، (Regressionحيث يتم تدريب شبكة عصبية عميقة متبقية كاملة الاتصال )(ResidualDNNباستخدام تسلسلات تجريبية من أجل تعلم العلاقة بين هذه التسلسلات ومعلمات القناة. تم استخدام لغة البرمجة بايثون لتنفيذ هذا النهج داخل بيئة ، Google Colabحيث تم توليد بيانات اصطناعية لعدة قيم من . SNRكما تم استخدام متوسط مربع الخطأ ) (MSEكمقياس للأداء، مع مقارنته بمقدر المربعات الصغرى .) (LSأظهرت نتائج المحاكاة أن التعلم العميق يحقق أدا ًء أفضل من حيث MSEفي معظم الحالات، خاصة عند القيم المنخفضة والمتوسطة لنسبة الإشارة إلى الضوضاء. بنا ًء على ذلك، يُظهر التعلم العميق نتائج واعدة كتقنية محتملة لتقدير معلومات حالة القناة في أنظمة الاتصالات الذكية