⚡ electrical engineering

Robust Sparse Channel Estimator for RIS-Assisted Hybrid MIMO Millimeter Wave Communication Under Impulsive Noise

यह शोध पत्र RIS-सहायता प्राप्त हाइब्रिड MIMO mmWave सिस्टम में चैनल अनुमान के लिए एक सुदृढ़ स्पार्स-अवेयर मैक्सिमम कोरेंट्रॉपी क्राइटेरियन (SA-MCC) एल्गोरिदम का प्रस्ताव करता है, जो इम्पल्सिव शोर और हार्डवेयर दोषों की उपस्थिति में पारंपरिक विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Ankit Chouhan, Sandesh Jain, Rangeet Mitra, Pragya Swami, Somesh Kumar

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ankit Chouhan, Sandesh Jain, Rangeet Mitra, Pragya Swami, Somesh Kumar

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक टॉर्च का उपयोग करके एक भीड़भाड़ वाले, शोर भरे शहर में एक गुप्त संदेश भेजने की कोशिश कर रहे हैं। भविष्य में, इन संदेशों को सुपर-फास्ट और स्पष्ट बनाने के लिए, हम "मिलीमीटर वेव्स" नामक एक विशेष प्रकार की "सुपर-लाइट" का उपयोग करना चाहते हैं। लेकिन इसमें एक पेंच है: ये तरंगें शर्मीले भूतों की तरह हैं। वे दीवारों, बारिश या यहाँ तक कि पास से गुजरते किसी व्यक्ति द्वारा आसानी से बाधित हो जाती हैं, और वे अपनी शक्ति बहुत जल्दी खो देती हैं।

इसे ठीक करने के लिए, इंजीनियर आकाश में विशाल, अदृश दर्पण बना रहे हैं जिन्हें रीकॉन्फ़िगेरेबल इंटेलिजेंट सर्फेस (RIS) कहा जाता है। इन दर्पणों को हजारों छोटे, स्मार्ट रोबोटों की एक टीम के रूप में समझें। जब वह शर्मीली भूतिया रोशनी उनसे टकराती है, तो वे तुरंत मुड़ने और घूमने के लिए अपनी दिशा बदल सकते हैं ताकि रोशनी को बाधाओं के चारों ओर से घुमाकर सीधे आपके रिसीवर तक पहुँचाया जा सके, जिससे वहां भी एक स्पष्ट मार्ग बन सके जहाँ पहले कोई रास्ता नहीं था।

समस्या: कमरे में "स्टैटिक" (शोर)
हालाँकि, एक बड़ा समस्या पैदा करने वाला तत्व है। जो उपकरण इन संकेतों को भेजते और प्राप्त करते हैं, वे दोषरहित नहीं होते हैं। उनमें "हार्डवेयर इम्पेयरमेंट्स" (hardware impairments) होते हैं, जो एक टूटे हुए रेडियो की तरह काम करते हैं जो अजीब, अचानक होने वाले शोर के झटके जोड़ देते हैं। वास्तविक दुनिया में, यह केवल एक हल्की सी सरसराहट नहीं है; यह ऐसा है जैसे कोई शांत लाइब्रेरी के बीच में अचानक चिल्ला रहा हो या भारी ढोल गिरा रहा हो। इसे इम्पल्सिव नॉइज़ (impulsive noise) कहा जाता है।

प्रकाश के पथ (जिसे चैनल एस्टीमेशन कहा जाता है) को समझने के पुराने तरीके किसी फुसफुसाहट को सुनने की कोशिश करने जैसे हैं जबकि कोई बगल में ढोल बजा रहा हो। पुराने तरीके, जो यह मान लेते हैं कि शोर एक स्थिर, कोमल गुनगुनाहट है, इस तरह के अचानक आने वाले शोर से पूरी तरह भ्रमित हो जाते हैं। वे शोर को औसत निकालने की कोशिश करते हैं, लेकिन चिल्लाने की आवाजें इतनी तेज़ और अजीब होती हैं कि औसत का कोई अर्थ ही नहीं रह जाता। यह शोध पत्र तर्क देता है कि LMS और ZA-LMS जैसे पुराने तरीके इस तरह के अराजक वातावरण के लिए पर्याप्त मजबूत नहीं हैं।

नया समाधान: एक स्मार्ट फिल्टर
लेखक इस नए, अधिक मजबूत तरीके का प्रस्ताव देते हैं। वे इसे मैक्सिमम कोरेंट्रोपी क्राइटेरियन (MCC) पर आधारित रोबस्ट स्पार्स चैनल एस्टीमेटर कहते हैं।

यह कैसे काम करता है, यहाँ एक मजेदार उपमा दी गई है:
कल्पना कीजिए कि आप एक विशाल, अंधेरे स्टेडियम (चैनल) में अपने कुछ विशिष्ट दोस्तों को खोजने की कोशिश कर रहे हैं। आप जानते हैं कि आपके दोस्त केवल कुछ विशिष्ट सीटों पर बैठे हैं (इसे स्पर्सिटी (sparsity) कहा जाता है)।

पुराना तरीका: आप चिल्लाते हैं, "तुम कहाँ हो?" और हर किसी के जवाब को सुनते हैं। यदि कोई अचानक चिल्लाता है (इम्पल्सिव नॉइज़), तो आप भ्रमित हो जाते हैं और सोचते हैं कि वही आपका दोस्त है।
नया तरीका (MCC): आप एक विशेष "शोर-निरोधी कान" का उपयोग करते हैं। यह कान उन पागलपन भरे, तेज़ चिल्लाने वाली आवाजों को अनदेखा करने के लिए बनाया गया है। यह केवल स्पष्ट, सुसंगत आवाजों पर ध्यान केंद्रित करता है। यह जानता है कि चिल्लाना बाहरी शोर (outliers) है और यह उसे आपकी खोज को खराब करने नहीं देता है।

यह पेपर इस नए तरीके में सुधार के तीन स्तर पेश करता है:

ZA-MCC: यह संस्करण एक नियम जोड़ता है कि, "यदि कोई सीट खाली दिखती है, तो मान लें कि वह खाली है।" यह खाली सीटों को अनदेखा करने में मदद करता है ताकि आप केवल उन्हीं दोस्तों पर ध्यान केंद्रित कर सकें जो वास्तव में वहाँ मौजूद हैं।
SA-MCC: यह और भी स्मार्ट है। केवल खाली सीटों को अनदेखा करने के बजाय, यह एक फैंसी गणितीय ट्रिक (जिसमें गॉस-हाइपरजियोमेट्रिक फंक्शन शामिल है) का उपयोग करता है ताकि यह बहुत सटीक रूप से जान सके कि कौन सी सीटें वास्तव में खाली हैं और किन सीटों पर आपके दोस्त बैठे हैं। यह एक सुपर-शार्प टॉर्च की तरह है जो केवल उन्हीं स्थानों को रोशन करती है जहाँ आपके दोस्त बैठे हैं।
VSS-SA-MCC: यह चैंपियन है। यह एक "वेरिएबल स्टेप-साइज़" (परिवर्तनीय चरण-आकार) जोड़ता है। कल्पना कीजिए कि आप स्टेडियम में चल रहे हैं। यदि रास्ता साफ है, तो आप बड़े, तेज़ कदम उठाते हैं। यदि आपको कोई बाधा आती है या कोई अजीब शोर सुनाई देता है, तो आप सावधान रहने के लिए धीमे हो जाते हैं। यह एल्गोरिदम शोर कितना अस्त-व्यस्त है, इसके आधार पर अपने सीखने की गति को स्वचालित रूप से बदल देता है।

सिमुलेशन क्या दिखाते हैं
लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने अपने विचार का परीक्षण करने के लिए हजारों कंप्यूटर सिमुलेशन चलाए। उन्होंने विभिन्न आकार की दर्पण टीमों (RIS) और विभिन्न एंटेना (32x32 और 64x64) के साथ आभासी शहर बनाए। उन्होंने शोर को बहुत "इम्पल्सिव" बनाया (एक मॉडल का उपयोग किया जिसे $\alpha$ -स्टेबल नॉइज़ कहा जाता है जहाँ पैरामीटर $\alpha = 1$ है)।

परिणाम स्पष्ट थे:

पुराने तरीके (LMS, ZA-LMS) शोर के कारण संघर्ष करते रहे और भ्रमित हो गए।
नया VSS-SA-MCC तरीका रास्ता खोजने में सबसे तेज़ और सबसे सटीक था।
एक विशिष्ट परीक्षण में, जिसमें 32x32 सेटअप और 32 मिरर एलिमेंट्स थे, नए तरीके ने -35.15 dB का नॉर्मलाइज्ड मीन-स्क्वेर्ड एरर (NMSE) प्राप्त किया, जबकि पुराने MCC तरीके ने केवल -24.40 dB तक ही पहुँच पाया।
जब उन्होंने मिरर टीम को बढ़ाकर 64 तत्वों तक किया, तो नया तरीका और भी बेहतर हो गया, जिसने -36.22 dB प्राप्त किया।

यह शोध पत्र सुझाव देता है कि यह नया तरीका वर्तमान मानक तरीकों की तुलना में इम्पल्सिव नॉइज़ के "चिल्लाने" को संभालने में बहुत बेहतर है। यह साबित करता है कि "स्पार्स-अवेयर" (यह जानना कि अधिकांश पथ खाली है) और "कोरेंट्रोपी" ट्रिक (पागलपन भरे शोर को अनदेखा करना) का उपयोग करके, हम अपने सुपर-फास्ट कनेक्शनों को स्थिर रख सकते हैं, भले ही हार्डवेयर दोषपूर्ण हो।

इसलिए, हालांकि यह अभी कोई ऐसा उत्पाद नहीं है जिसे आप स्टोर से खरीद सकें, सिमुलेशन मजबूती से संकेत देते हैं कि यदि हम चाहते हैं कि हमारे भविष्य के 5G और उससे आगे के नेटवर्क, दोषपूर्ण हार्डवेयर वाले वास्तविक, अव्यवस्थित शहरों में काम करें, तो हमें इस स्मार्ट और अधिक मजबूत तरीके को अपनाना होगा।

तकनीकी सारांश: इम्पल्सिव नॉइज़ के तहत RIS-सहायता प्राप्त हाइब्रिड MIMO मिलीमीटर वेव संचार के लिए सुदृढ़ स्पार्स चैनल एस्टिमेटर

समस्या विवरण
अगली पीढ़ी के वायरलेस नेटवर्क में अल्ट्रा-हाई डेटा दर प्राप्त करने के लिए रीकॉन्फ़िगर करने योग्य इंटेलिजेंट सरफेस (RIS) को मिलीमीटर-वेव (mmWave) मल्टी-इनपुट मल्टी-आउटपुट (MIMO) आर्किटेक्चर के साथ एकीकृत करना महत्वपूर्ण है। हालाँकि, इन प्रणालियों में सटीक चैनल अनुमान (Channel Estimation - CE) एक बड़ी चुनौती है। RIS-सहायता प्राप्त लिंक्स में गंभीर पाथ लॉस होता है और वे पावर एम्पलीफायरों में नॉनलीनियर हार्डवेयर इम्पेयरमेंट्स (HIs) से उत्पन्न होने वाले नॉन-गौसियन विरूपण (distortions) के प्रति अत्यधिक संवेदनशील होते हैं, साथ ही घने शहरी वातावरण में सामान्य इम्पल्सिव इंटरफेरेंस से भी प्रभावित होते हैं।

पारंपरिक CE तकनीकें, जैसे कि ऑर्थोगोनल मैचिंग पर्स्यूट (OMP) और ज़ीरो-अट्रैक्टिंग लीस्ट मीन स्क्वेर (ZA-LMS), मिनिमम मीन स्क्वायर एरर (MMSE) मानदंडों पर निर्भर करती हैं। ये विधियाँ केवल सेकंड-ऑर्डर एरर स्टैटिस्टिक्स पर विचार करती हैं और गौसियन नॉइज़ डिस्ट्रीब्यूशन को मानती हैं। फलस्वरूप, जब इन्हें भारी-पूंछ वाले (heavy-tailed), नॉन-गौसियन या इम्पल्सिव नॉइज़ से प्रभावित RIS-सहायता प्राप्त हाइब्रिड MIMO-mmWave सिस्टम पर लागू किया जाता है, तो इनका प्रदर्शन खराब हो जाता है और ये अस्थिर हो जाती हैं। इसके अलावा, जबकि mmWave चैनलों में कोणीय डोमेन (angular domain) में अंतर्निहित स्पर्सिटी (sparsity) होती है, मौजूदा स्पार्स-अवेयर एस्टिमेटर्स अक्सर इन विशिष्ट गैर-आदर्श स्थितियों के तहत मजबूती बनाए रखने में विफल रहते हैं।

कार्यप्रणाली (Methodology)
यह शोध पत्र मैक्सिमम कोरेंट्रॉपी क्राइटेरियन (MCC) पर आधारित एक एकीकृत, सुदृढ़, स्पार्सिटी-अवेयर (SA) चैनल अनुमान फ्रेमवर्क का प्रस्ताव करता है। MCC एक सुदृढ़ सांख्यिकीय माप है जो उच्च-क्रम (higher-order) एरर स्टैटिस्टिक्स का उपयोग करता है, जो पारंपरिक MMSE दृष्टिकोणों की तुलना में इम्पल्सिव नॉइज़ और आउटलेयर्स के प्रति स्वाभाविक रूप से लचीला है।

लेखक एक प्रगतिशील एल्गोरिदम फ्रेमवर्क विकसित करते हैं:

ZA-MCC एस्टिमेटर: प्रारंभिक प्रस्ताव MCC कॉस्ट फंक्शन में $\ell_1$ -नॉर्म रेगुलराइजेशन टर्म को एकीकृत करता है। यह चैनल गुणांकों में स्पर्सिटी को बढ़ावा देता है जबकि नॉन-गौसियन नॉइज़ के विरुद्ध MCC की सुदृढ़ता का लाभ उठाता है।
SA-MCC एस्टिमेटर: $\ell_1$ -नॉर्म रेगुलराइजेशन की सीमा को संबोधित करने के लिए, जो सभी गुणांकों को समान रूप से शून्य की ओर आकर्षित करता है (जिससे महत्वपूर्ण चैनल टैप्स का क्षरण हो सकता है), लेखक एक अधिक लचीला स्पर्सिटी कंस्ट्रेंट प्रस्तावित करते हैं। यह $\ell_0$ -नॉर्म के सामान्यीकृत गॉस-हाइपरजियोमेट्रिक सन्निकटन (approximation) का उपयोग करता है। यह दृष्टिकोण महत्वपूर्ण चैनल टैप्स को बेहतर ढंग से दबाने के साथ-साथ प्रमुख पथों (dominant paths) को संरक्षित करने की अनुमति देता है।
VSS-SA-MCC एस्टिमेटर: अंतिम प्रस्तावित एल्गोरिदम SA-MCC फ्रेमवर्क में एक वेरिएबल स्टेप-साइज़ (VSS) रणनीति पेश करता है। मौजूदा VSS-ZA-LMS एल्गोरिदम के विपरीत, जो आउटलेयर्स के कारण अस्थिर हो सकते हैं, यह विधि इंस्टेंटेनियस एरर एनर्जी के आधार पर नहीं, बल्कि MCC-प्रेरित एरर कर्नेल की ऊर्जा के आधार पर लर्निंग रेट को अनुकूलित करती है। इस गतिशील अनुकूलन का उद्देश्य कंप्यूटेशनल जटिलता बढ़ाए बिना कन्वर्जेंस को तेज करना और स्टेडी-स्टेट नॉर्मलाइज्ड मीन-स्क्वेर्ड एरर (NMSE) को कम करना है।

सिस्टम मॉडल एक डाउनलिंक परिदृश्य पर विचार करता है जहाँ बेस स्टेशन (BS) से यूजर इक्विपमेंट (UE) तक का डायरेक्ट लाइन-ऑफ-साइट ब्लॉक है, जिससे सिग्नल ट्रांसमिशन के लिए RIS का उपयोग आवश्यक हो जाता है। चैनल को ज्यामितीय रूप से स्पार्स मल्टीपाथ कंपोनेंट्स के साथ मॉडल किया गया है, और नॉइज़ को इम्पल्सिव इंटरफेरेंस को सिम्युलेट करने के लिए सिमेट्रिक $\alpha$ -स्टेबल डिस्ट्रीब्यूशन का उपयोग करके मॉडल किया गया है।

प्रमुख योगदान
पेपर निम्नलिखित विशिष्ट योगदानों का दावा करता है:

नवीन फ्रेमवर्क: यह नॉन-गौसियन विरूपणों की उपस्थिति में RIS-सहायता प्राप्त हाइब्रिड MIMO mmWave CE के लिए MCC-आधारित स्पार्सिटी-अवेयर एल्गोरिदम का उपयोग करने वाला पहला अध्ययन प्रस्तुत करता है।
सुदृढ़ स्पर्सिटी: प्रस्तावित ZA-MCC फ्रेमवर्क इम्पल्सिव नॉइज़ के विरुद्ध पारंपरिक MMSE-आधारित एस्टिमेटर्स की तुलना में बेहतर लचीलापन प्रदान करने के लिए उच्च-क्रम एरर स्टैटिस्टिक्स का लाभ उठाता है।
उन्नत स्पर्सिटी कंस्ट्रेंट: एक नया SA-MCC एस्टिमेटर पेश किया गया है जो $\ell_0$ -नॉर्म के सामान्यीकृत गॉस-हाइपरजियोमेट्रिक सन्निकटन का उपयोग करता है, जो महत्वहीन चैनल टैप्स के बेहतर दमन को सक्षम बनाता है।
अनुकूलन योग्य लर्निंग: एक VSS रणनीति (VSS-SA-MCC) का परिचय जो लर्निंग रेट को MCC एरर कर्नेल ऊर्जा के आधार पर गतिशील रूप से अनुकूलित करती है, जिसके परिणामस्वरूप त्वरित कन्वर्जेंस और कम स्टेडी-स्टेट NMSE प्राप्त होता है।
व्यापक सत्यापन: व्यापक सिमुलेशन विभिन्न MIMO और RIS कॉन्फ़िगरेशन में फ्रेमवर्क को मान्य करते हैं, जो स्टेट-ऑफ-द-आर्ट बेंचमार्क की तुलना में श्रेष्ठता प्रदर्शित करते हैं।

सिमुलेशन परिणाम
प्रस्तावित VSS-SA-MCC एल्गोरिदम के प्रदर्शन का मूल्यांकन $\alpha$ -स्टेबल नॉइज़ ( $\alpha=1$ ) के तहत LMS, ZA-LMS, मानक MCC, ZA-MCC और फिक्स्ड-स्टेप SA-MCC एल्गोरिदम के विरुद्ध किया गया। मुख्य निष्कर्ष शामिल हैं:

कन्वर्जेंस: प्रस्तावित VSS-SA-MCC एल्गोरिदम ने सभी परीक्षण किए गए तरीकों में सबसे तेज़ कन्वर्जेंस दर प्रदर्शित की। $32 \times 32$ MIMO सिस्टम में 32 RIS तत्वों के साथ, इसने $-35.15$ dB का स्टेडी-स्टेट NMSE प्राप्त किया, जो फिक्स्ड-स्टेप SA-MCC ( $p=2$ ) से बेहतर था जिसने $-33.21$ dB प्राप्त किया।
SNR मजबूती: $-20$ dB से $20$ dB तक के SNR मानों में, प्रस्तावित SA-आधारित दृष्टिकोणों ने LMS, ZA-LMS और मानक MCC की तुलना में लगातार बेहतर प्रदर्शन किया। SA-MCC ( $p=2$ ) और VSS-SA-MCC वेरिएंट्स ने सबसे कम NMSE और न्यूनतम उतार-चढ़ाव दिखाया, विशेष रूप से लो SNR रिजीम में जहाँ ZA-LMS महत्वपूर्ण दोलन (oscillations) दिखाता है।
IRS स्केलिंग: RIS तत्वों की संख्या बढ़ाने (32 से 64) से सभी एल्गोरिदम के लिए NM_SE प्रदर्शन में सुधार हुआ। हालाँकि, प्रस्तावित SA-MCC ( $p=2$ ) और VSS-SA-MCC ने सबसे महत्वपूर्ण लाभ दिखाए, जो $64 \times 64$ MIMO सिस्टम और 64 RIS तत्वों के साथ $-36.22$ dB का स्टेडी-स्टेट NMSE प्राप्त कर सके।
पैरामीटर संवेदनशीलता: गॉस-हाइपरजियोमेट्रिक सन्निकटन का उपयोग $p=2$ के साथ $p=1$ की तुलना में लगातार कम NMSE प्रदान करता है, जो विशिष्ट $\ell_0$ -जैसे पेनल्टी फॉर्मूलेशन की प्रभावशीलता को प्रमाणित करता है।

महत्व और दावे
लेखक निष्कर्ष निकालते हैं कि प्रस्तावित VSS-SA-MCC कार्यप्रणाली भविष्य के वायरलेस संचार प्रणालियों के लिए एक आशाजनक समाधान प्रदान करती है, विशेष रूप से उन परिदृश्यों में जो हार्डवेयर इम्पेयरमेंट्स, गंभीर फेडिंग और नॉन-गौसियन गड़बड़ी द्वारा चिह्नित हैं। यह कार्य यह प्रदर्शित करके एक महत्वपूर्ण अनुसंधान अंतराल को संबोधित करता है कि इम्पल्सिव नॉइज़ के तहत सुदृढ़, स्पर्सिटी-अवेयर अनुमान संभव है और यह मौजूदा विधियों की तुलना में श्रेष्ठ है, जो व्यावहारिक RIS-सहायता प्राप्त mmWave डिप्लॉयमेंट में मौजूद है। यह पेपर इस दृष्टिकोण को पारंपरिक एस्टिमेटर्स के एक व्यवहार्य विकल्प के रूप में स्थापित करता है जो नॉन-गौसियन स्थितियों के तहत विफल हो जाते हैं, जो बिना किसी महत्वपूर्ण कंप्यूटेशनल ओवरहेड के उच्च सटीकता, तेज़ कन्वर्जेंस और सुदृढ़ता का संतुलन प्रदान करता है।

इसी तरह के और पेपर