Großskalige und hierarchische Bayessche Inferenz für zukünftige Mobilfunknetze
Zusammenfassung der Projektergebnisse
Das Projekt LHBiCOM untersucht den Einsatz von statistischen Bayesschen Inferenzmethoden zur Lösung von hochdimensionalen Signalverarbeitungsproblemen in zukünftigen Kommunikationssystemen mit ausgesprochen hohen Verkehrsanforderungen, einer sehr hohen Verbindungsanzahl und/oder nicht-gaußschen/nichtlinearen Signalverzerrungen. Zukünftige Kommunikationssysteme stellen große Herausforderungen an die Signalverarbeitung in Bezug auf ihre Realisierbarkeit und Genauigkeit. Der klassische lineare Schätzer mit minimalem mittleren quadratischen Fehler (LMMSE) ist optimal für gemeinsam Gaußsche Schätzprobleme. Hierbei muss die Anzahl an Beobachtungen mindestens so groß sein wie die Anzahl an Unbekannten. Zukünftige Kommunikationssysteme erfordern jedoch die Lösung hochdimensionaler nicht-gaußscher und/oder nichtlinearer Schätzprobleme aufgrund neuer Eigenschaften wie einer sehr hohen Anzahl an Verbindungen und grober Quantisierung. Da die damit einhergehenden Maximum-Likelihood- oder Maximum-A-Posteriori-Probleme im Allgemeinen entweder analytisch unlösbar oder rechenintensiv sind, müssen Signalverarbeitungsalgorithmen mit angemessener Komplexität entwickelt werden. Mit dem Ziel, Lösungen mit hoher Genauigkeit und überschaubarer Komplexität zu entwickeln, haben wir im Rahmen dieses Projekts zunächst variationelle Bayessche Inferenz untersucht. Es wurde ein Framework entwickelt, das durch verschiedene Approximationen der zugrundeliegenden Verteilungen zu verschiedenen auf Message-Passing basierenden Lösungen führt. Durch Minimierung der Kullback-Leibler-Divergenz zwischen diesen alternativen Verteilungen und den wahren Likelihood- oder A-Posteriori-Funktionen zeigt dieser Ansatz, dass verschiedene Message-Passing-Algorithmen (einschl. Belief Propagation (BP), Expectation Propagation (EP), Variational Message Passing (VMP), Approximate Message Passing und Generalized Approximate Message Passing) von derselben Zielfunktion abgeleitet werden können. Ihre unterschiedlichen Update-Regeln ergeben sich aus unterschiedlichen Randbedingungen, z.B. Konsistenz der Marginalisierungen für BP, Momenten-Matching für EP, Nichtbeachtung lokaler Abhängigkeiten für VMP. Deshalb betrachten wir die Randbedingungen als Freiheitsgrad im Algorithmenentwurf, so dass das Framework ein Werkzeug für die Entwicklung neuartiger Message-Passing-Algorithmen darstellt, z.B. zur Schätzung latenter Variablen mit unterschiedlichen statistischen Eigenschaften und zur Anpassung der statistischen Modelle in nichtlinearen und/oder nicht-gaußschen Systemen. Außerdem wurde die Anwendung verschiedener Signalverarbeitungsmethoden, vor allem basierend auf Message-Passing, für großskalige MIMO-Systeme mit dünnbesetzten unbekannten Variablen, nichtlinearen Quantisierungsfehlern und unvollständiger Kanalzustandsinformation (CSI) untersucht, insbesondere für folgende Systeme mit nicht-gaußschen Likelihood-Funktionen, statistischer CSI, dünnbesetzten Kanälen im Winkelbereich oder spärlicher Nutzeraktivität: 1) Sparse Signal Recovery und Sparse Bayesian Learning in Massive Machine-Type Communications; 2) neuartige Antennenarray-Topologien mit robustem räumlichen Multiplexing-Gewinn unter starken Quantisierungsverzerrungen inklusive Kanalentzerrung; 3) Kanalschätzung im Winkelbereich für Massive-MIMO OFDM-Systeme; 4) gemeinsame Kanalschätzung und Datendetektion für Grant-Free Massive Machine-Type Communications mit unvollständiger CSI; 5) Strahlausrichtung und Kanalschätzung in hoch zeitvarianten Systemen wie der Vehicle-to-Everything Kommunikation. Die hergeleiteten Algorithmen und die neuartigen Systementwürfe weisen eine geringe Komplexität und signifikante Leistungsvorteile auf.
Projektbezogene Publikationen (Auswahl)
-
“Fast beam alignment through simultaneous beam steering and power spectrum estimation using a frequency scanning array,” in International ITG Workshop on Smart Antennas, Hamburg, Germany, Feb. 2020
C. Jans, X. Song, W. Rave, and G. Fettweis
-
“Frequency-selective analog beam probing for millimeter wave communication systems,” in Proc. IEEE Wireless Commun. and Netw. Conf., June 2020, pp. 1–6
C. Jans, X. Song, W. Rave, and G. Fettweis
-
“Network massive MIMO transmission over millimeter-wave and terahertz bands: Mobility enhancement and blockage mitigation,” IEEE J. Sel. Areas Commun., vol. 38, no. 12, pp. 2946–2960, 2020
L. You, X. Chen, X. Song, F. Jiang, W. Wang, X. Gao, and G. Fettweis
-
“Pilot reuse for vehicle-to-vehicle underlay massive MIMO transmission,” IEEE Trans. Veh. Technol., vol. 69, no. 5, pp. 5693–5697, 2020
L. You, M. Xiao, X. Song, Y. Liu, W. Wang, X. Gao, and G. Fettweis
-
“Deterministic pilot design and channel estimation for downlink massive MIMO-OTFS systems in presence of the fractional Doppler,” IEEE Trans. Wireless Commun., vol. 20, no. 11, pp. 7151– 7165, 2021
D. Shi, W. Wang, L. You, X. Song, Y. Hong, X. Gao, and G. Fettweis
-
“On one-bit lineof-sight MIMO communications at flexible communications distances,” IEEE Wireless Commun. Lett., vol. 10, no. 1, pp. 116–120, 2021
X. Song, L. Landau, W. Wang, L. You, X. Gao, and G. P. Fettweis
-
“Sparse channel estimation via hierarchical hybrid message passing for massive MIMO-OFDM systems,” IEEE Trans. Wireless Commun., vol. 20, no. 11, pp. 7118–7134, 2021
X. Liu, W. Wang, X. Song, X. Gao, and G. Fettweis
-
“Unifying message passing algorithms under the framework of constrained Bethe free energy minimization,” IEEE Trans. Wireless Commun., vol. 20, no. 7, pp. 4144–4158, 2021
D. Zhang, X. Song, W. Wang, G. Fettweis, and X. Gao
-
“On robust millimeter wave line-of-sight MIMO communications with few-bit ADCs,” IEEE Trans. Wireless Commun., 2022
X. Song, S. Ma, P. Neuhaus, W. Wang, X. Gao, and G. Fettweis
