Lightweight GAN-based Channel Estimation with Adaptive Regularization in Massive MIMO Systems
- 주제어 (키워드) channel estimation , compressed sensing , generative model , generative adversarial networks (GAN) , multiple-input multiple-output (MIMO) , 채널 추정 , 압축 센싱 , 생성 모델 , 생성적 적대 신경망(GAN) , 다중입출력(MIMO)
- 발행기관 서강대학교 일반대학원
- 지도교수 소재우
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 석사
- 학과 및 전공 일반대학원 전자공학과
- 실제 URI http://www.dcollection.net/handler/sogang/000000079838
- UCI I804:11029-000000079838
- 본문언어 영어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
In massive multiple-input multiple-output (MIMO) systems, the large number of transmit and receive antennas significantly increases the channel’s spatial dimensions. As a result, the number of pilots required for accurate channel estimation increases proportionally with the number of antennas, leading to substantial pilot overhead. To address this challenge, recent work has explored channel estimation techniques leveraging generative models. In this dissertation, we propose a lightweight generative adversarial networks (GAN)-based channel estimation scheme that includes a novel framework for training GANs, lightweight architectures, and estimator designs. The proposed GAN training framework groups users based on the channel collinearity matrix obtained from pre-acquired channel realizations for each user and trains dedicated GANs for each user group. For the GAN architecture, we design lightweight neural network structures leveraging the locally centralized sparse characteristics of the beamspace channel. Furthermore, we develop a novel estimator with an objective function that adaptively determines the relative importance between received pilots and the pre-trained generator. Simulation results show that the proposed scheme achieves a flexible trade-off between performance and network training complexity compared to straightforward extensions of single link structures. Moreover, the proposed scheme significantly improves performance compared to conventional GAN-based schemes while reducing the computational complexity of channel estimation.
more초록 (요약문)
대규모 다중입출력(MIMO) 시스템에서 안테나 수가 증가함에 따라, 단말은 추정 해야 할 무선 채널의 차원이 증가한다. 이에, 기지국은 안테나 수에 따라 전송하는 파일럿의 개수를 비례적으로 증가시켜야한다. 이는 파일럿 오버헤드 문제를 야기하며, 최근 이를 완화하기 위한 방안으로 생성 모델 기반의 채널 추정 기법이 주목받고 있다. 본 논문에서는 경량화된 생성적 적대 신경망(GAN) 기반의 채널 추정 기법을 제안하며, 이는 GAN 훈련 프레임워크, 경량화된 GAN 구조, 그리고 채널 추정 알고리즘을 포함한다. 제안하는 GAN 훈련 프레임워크는 각 사용자 별로 사전 획득한 채널 데이터셋으로부터 얻은 채널 공선성 행렬을 기반으로 사용자를 그룹화하고, 사용자 그룹 별로 GAN을 훈련한다. GAN의 구조 측면에서, 빔스페이스 채널의 국부적으로 집중된 희소 특성을 활용하여 경량화된 신경망을 설계한다. 또한, 수신된 파일럿과 사전 학습된 생성 모델 간의 상대적 중요도를 적응적으로 결정하는 목적 함수와 이를 이용한 채널 추정 알고리즘을 개발한다. 시뮬레이션 결과, 제안하는 기법은 기존의 기법 대비 성능과 훈련 네트워크 복잡도 사이의 유연한 트레이드오프를 달성함을 보 인다. 더욱이, 제안하는 기법은 기존의 GAN 기반 채널 추정 기법에 비해 채널 추정 의 계산 복잡도를 줄이면서도 우수한 성능을 보인다.
more목차
1 Introduction 1
2 System Model 8
2.1 System Description 8
2.2 Generative Adversarial Networks 10
2.3 Generative Channel Estimation 11
3 Proposed Lightweight GAN-based Channel Estimation 12
3.1 Framework for Training GANs 12
3.2 Lightweight GAN Architectures 15
3.3 Adaptive Regularization for Generative Channel Estimation 22
4 Simulation Results 27
4.1 Dataset Generation and Pre-processing 27
4.2 Model Implementations 32
4.3 Performance Comparisons 34
4.4 Complexity Analysis 43
5 Conclusion 45
Bibliography 47
