Application of deep learning algorithms for wireless channel estimation has been extensively studied due to the robustness of deep networks to recognize patterns and features as well as mimic any transformation function so long as the appropriate size and structure of the network is configured. These deep learning based estimators are known to achieve high estimation accuracy, and in general, perform better than conventional estimators. For massive MIMO systems, another concern alongside estimation accuracy is pilot length reduction to allow more time for useful data transmission. In this paper, a denoising autoencoder network is used alongside a fully connected network to predict the uplink channel between a user and a base station (BS) in a point-to-point massive MIMO communication system. The goal of the denoising autoencoder scheme is to effectively exploit information redundancy in the channel matrix. By doing so, it is possible to minimize the pilot overhead while maintaining a tolerable estimation accuracy. As a result, the spectral efficiency of the communication system is increased especially at high mobility. Since denoising autoencoders reduce the dimension of the input vector space to a latent representation, fully connected network can be easily incorporated to exploit temporal correlation at low dimension.
네트워크의 적절한 크기와 구조가 보장되는 한 패턴과 특징을 인식하고 모든 변환 기능을 모방하는 딥 네트워크의 견고성이 보고됨에 따라, 무선 채널 추정을 위한 딥 러닝 알고리즘의 적용은 광범위하게 연구되었다. 이러한 딥 러닝 기반 추정 기법들은 높은 추정 정확도를 달성하는 것으로 알려져 있으며 일반적으로 기존 추정 기법보다 우수한 성능을 달성할 수 있다. 정확도와 함께 또 다른 문제는 데이터 전송에 더 많은 시간을 허용하기 위해 파일럿 길이를 줄이는 것이다. 본 논문에서는 point-to-point 대규모 다중 입출력 통신 시스템에서 사용자와 기지국(BS) 간의 상향링크 채널을 예측하기 위해 완전 연결된 네트워크와 잡음 제거 autoencoder를 사용한 채널 추정 기법을 제안한다. 제안 기법의 목표는 채널 행렬에서 정보 중복성을 효과적으로 활용하는 것이다. 이를 통해, 허용 가능한 추정 정확도를 유지하면서 파일럿 오버헤드를 최소화할 수 있다. 그 결과, 통신 시스템의 스펙트럼 효율이 증가하며, 특히 이동성이 높은 환경에서 큰 이득이 존재한다. 잡음 제거 autoencoder는 입력 벡터 공간의 차원을 잠재 표현으로 줄이기 때문에 완전 연결 네트워크를 쉽게 통합하여 낮은 차원에서 시간적 상관 관계를 활용할 수 있다.
