Deep learning based pilot assignment in massive MIMO systems

Abstract

This thesis proposes a solution to the pilot contamination problem in massive multiple-input multiple-output systems by intelligently reusing pilot sequences using deep learning. The considered single-cell network is a massive machine-type communication system that has multiple sectors, each equipped with a uniform linear array antenna. Channels between the base station and the user equipment are modeled as spatially correlated and directive, where the angular domain interference primarily dictates pilot contamination. The main idea behind the proposed solution is that pilot sequences can be shared by a set of user equipment that do not have overlapping angle-of-arrival ranges at the base station, without causing significant mutual interference. The problem is formulated as a regression problem where the loss function represents the total pilot contamination in the network. A deep feedforward neural network architecture is used with the unsupervised learning approach to solve the problem, where the channel covariance matrices estimated at the base station are used as the input. A tailored training approach is proposed that is made up of two strategies as follows. First, the neural network is trained with constrained user equipment locations where the constraint gradually changes as the learning progresses. Second, the input data is rearranged to make the feature extraction easier for the neural network. Numerical experiments show that the proposed solution performs close to the exhaustive search solution when trained on a single network instance. When trained on a batch of training samples and validated on a batch of previously unseen samples, the proposed method generalizes well and subsequently performs on par with existing solutions.

Tässä opinnäytetyössä ehdotetaan ratkaisua pilottisekvenssien keskinäisen häiriön vaimentamiseksi massiivisissa moniantennijärjestelmissä pilottisekvenssien älykkäällä uudelleenkäytöllä syväoppimisen avulla. Tarkasteltu yksisoluinen verkko on massiivinen konetietoliikennejärjestelmä, jakaantuen useaan sektoriin, joista kukin toimii lineaarisella ryhmäantennilla. Tukiaseman ja käyttäjälaitteiden väliset kanavat ovat korreloituneita tilatasossa sekä suuntavia, joissa kulmatason häiriö on ensisijainen pilottihäiriön lähde. Ehdotetun ratkaisun pääajatus on, että pilottisekvenssit voidaan jakaa sellaisten käyttäjälaitteiden kanssa, joilla ei ole päällekkäisiä saapumiskulma-alueita tukiasemalla, täten aiheuttamatta merkittäviä keskinäisiä häiriöitä. Ongelma muotoillaan regressio-ongelmaksi, jossa kustannusfunktio edustaa verkon pilottihäiriön kokonaismäärää. Ongelman ratkaisemiseksi käytetään syvää eteenpäin kytkettyä neuroverkkoarkkitehtuuria ohjaamattoman oppimisen kanssa, jossa tulona käytetään tukiasemassa arvioituja kanavakovarianssimatriiseja. Työssä ehdotetaan kahta räätälöityä oppimisstrategiaa. Ensin neuroverkkoa koulutetaan rajoitetuilla käyttäjälaitteiden sijainneilla, joissa rajoitus muuttuu vähitellen oppimisen edetessä. Toiseksi syöttödata järjestetään uudelleen, jotta piirteiden erottaminen neuroverkolle olisi helpompaa. Numeeriset kokeet osoittavat, että ratkaisu on lähes optimaalinen, kun se koulutetaan yhteen verkkorealisaatioon. Kun ehdotettu menetelmä koulutetaan käyttäen harjoitusnäytteitä, ehdotettu menetelmä yleistyy hyvin uusiin näytteisiin sekä antaa yhtä hyvän suorituskyvyn kuin olemassa olevat ratkaisut.