Tensor-based modeling/estimation of static channels in IRS-assisted MIMO systems

Technische Samenvatting: Tensorgebaseerde Modellering en Schatting van Statische Kanalen in IRS-gesteunde MIMO-systemen

Probleemstelling
Het artikel behandelt de uitdaging van kanaalschatting in door een Intelligent Reflecting Surface (IRS) gesteunde Multiple Input Multiple Output (MIMO)-systemen. In dergelijke netwerken moet de ontvanger het gekaskerde kanaal (User Equipment naar IRS naar Base Station) schatten aan de hand van pilotsignalen die door de IRS worden gereflecteerd. Bestaande methoden worden vaak ingedeeld in gestructureerde technieken (die parametrische geometrische modellen benutten) en ongestructureerde technieken. Hoewel eerdere werken tensorbenaderingen hebben gebruikt voor specifieke scenario's (bijvoorbeeld mmWave-systemen of semi-blinde datadetector), is er behoefte aan robuuste kaders die de specifieke geometrische structuur van statische IRS-gesteunde kanalen benutten om de schattingsnauwkeurigheid te verbeteren zonder prohibitieve rekenkosten met zich mee te brengen.

Methodologie
De auteurs stellen een nieuw signaalmodelleerkader voor dat het probleem van kanaalschatting formuleert als een Tucker-tensormodel van de derde orde. De kern van de methodologie omvat de volgende stappen:

1. Systeemmodel: Het systeem beschouwt een uplink-scenario met een Base Station (BS) uitgerust met $M$ antennes, een User Equipment (UE) met $Q$ antennes, en een IRS met $N$ passieve elementen. De kanalen (BS-IRS en IRS-UE) worden gemodelleerd met behulp van een multipath-geometrisch model dat zowel Line-of-Sight (LOS) als Non-Line-of-Sight (NLOS)-componenten omvat, gekenmerkt door stuurvectoren en padverlies/vervalingscoëfficiënten.
2. Tensorformulering: Door de ontvangen pilotsignalen te vectoriseren en eigenschappen van het Kronecker-product en het Khatri-Rao-product te benutten, leiden de auteurs een lineair verband af tussen het ontvangen signaal en de samengevoegde kanaalparameters. Dit verband wordt herstructureerd tot een Tucker-tensormodel van de derde orde:
   $$\mathcal{R} \approx \mathcal{F} \times_1 \mathbf{A}_{rx} \times_2 \mathbf{A}^*_{tx} \times_3 \mathbf{P}_B$$
   Hierbij vertegenwoordigt $\mathcal{R}$ de ontvangen datatensor, zijn $\mathbf{A}_{rx}$ en $\mathbf{A}_{tx}$ de stuurmatrices voor respectievelijk de BS en de UE, bevat $\mathbf{P}_B$ de IRS-geometrie-informatie, en is $\mathcal{F}$ de kerntensor die de padcoëfficiënten voorstelt.
3. Voorgestelde Algoritmen: Er worden twee algoritmen afgeleid om het probleem van parameterschatting op te lossen (herstel van de factormatrices en de kerntensor):
   • Tucker-ALS (Alternating Least Squares): Een iteratief algoritme dat afwisselend de schattingen van $\mathbf{A}_{rx}$, $\mathbf{A}_{tx}$, $\mathbf{P}_B$ en de kerntensortvector $\mathbf{f}$ bijwerkt door kwadrateerfoutsubproblemen op te lossen totdat convergentie is bereikt.
   • Tucker-HOSVD (High-Order Singular Value Decomposition): Een gesloten-formule oplossing die de factormatrices berekent door afgekorte SVD's uit te voeren op de modus-ontvouwingen van de ontvangen tensor, gevolgd door een pseudoinverse-stap om de kerntensor te schatten.

Belangrijkste Bijdragen

• Nieuw Signaalmodel: Het artikel introduceert een Tucker-tensormodel van de 3e orde dat specifiek is toegesneden op statische IRS-gesteunde MIMO-kanalen, waarbij expliciet de geometrische structuur van het gekaskerde kanaal wordt benut.
• Dubbele Algorithmische Aanpak: De auteurs bieden twee distincte oplossingen: een iteratieve ALS-methode en een niet-iteratieve HOSVD-methode, wat flexibiliteit biedt in implementatie op basis van convergentie-eisen versus rekensnelheid.
• Complexiteitsanalyse: De studie omvat een gedetailleerde analyse van de rekencomplexiteit die de voorgestelde methoden vergelijkt met de klassieke Least Squares (LS) en het state-of-the-art Khatri-Rao Factorization (KRF)-algoritme.

Simulatie-resultaten
Numerieke simulaties evalueren de prestaties aan de hand van de Genormaliseerde Gemiddelde Kwadrateerfout (NMSE) van de geschatte samengevoegde kanaal:

• Prestatiewinst: De voorgestelde tensorgebaseerde methoden (zowel ALS als HOSVD) presteren aanzienlijk beter dan de klassieke LS en de KRF-benchmark. Specifiek bereiken de voorgestelde methoden een verbetering van ongeveer 10 dB ten opzichte van LS en 5 dB ten opzichte van KRF.
• Algoritmevergelijking: Het iteratieve ALS-algoritme vertoont iets betere prestaties (ongeveer 1 dB winst) in vergelijking met de gesloten-formule HOSVD, hoewel beide superieur zijn aan de benchmarks.
• Convergentiegedrag: Het ALS-algoritme vereist meer iteraties in gebieden met een laag Signaal-ruisverhouding (SNR) of wanneer het aantal propagatiepaden toeneemt. Omgekeerd vermindert het verhogen van het aantal IRS-elementen ($N$) het aantal iteraties dat nodig is voor convergentie.
• Rekenkosten: Ondanks de prestatiewinsten is de rekencomplexiteit van de voorgestelde ALS- en HOSVD-schema's vergelijkbaar met die van de benchmark LS- en KRF-algoritmen. De auteurs merken op dat de dominante kosten in alle schema's nog steeds de initiële LS-stap of de SVD/pseudoinverse-operaties zijn, die op vergelijkbare wijze schalen tussen de methoden.

Betekenis en Claims
Het artikel beweert dat door de algebraïsche tensorstructuur van het gecombineerde kanaal te benutten, de voorgestelde methoden superieure schattingsnauwkeurigheid bereiken zonder de rekencomplexiteit te verhogen ten opzichte van bestaande state-of-the-art technieken. De auteurs positioneren dit werk als een stap richting efficiënte kanaalschatting voor netwerken van voorbij 5G (B5G) en 6G, waar de inzet van IRS als kritiek wordt verwacht. Het werk claimt niet het probleem van veranderende kanalen op te lossen (verwijzend naar hun eerdere werk voor dat aspect), maar richt zich op het optimaliseren van de schatting van statische kanalen om een effectieve configuratie van de IRS-fasewendingen mogelijk te maken.