In this paper, we propose the adaptive channel prediction for massive multiple-input multiple-output (MIMO) systems. Accurate channel state information is crucial to fully exploit massive MIMO systems. However, wireless channels vary in time due to the mobility of user equipment, resulting in performance degradation in massive MIMO. Thus, we develop and compare a vector Kalman filter (VKF)-based channel predictor and a machine learning (ML)-based channel predictor. The VKF-based channel predictor developed in this paper exploits the autoregressive parameters based on the Yule-Walker equations. Then, the ML-based channel predictor using the linear minimum mean square error (LMMSE)-based noise pre-processed data is developed. Numerical results reveal that both channel predictors have substantial gain over the outdated channel in terms of the channel prediction accuracy and data rate. However, both channel prediction techniques require large time overhead to obtain accurate prediction, which cannot effectively adapt to new environments. To accurately predict wireless channels for new environments with reduced training overhead, we propose a fast adaptive channel prediction technique based on a meta-learning algorithm for massive MIMO systems. We exploit the model-agnostic meta-learning (MAML) algorithm to achieve quick adaptation with a small amount of labeled data. Also, to improve the prediction accuracy, we adopt the denoising process for the training data by using deep image prior (DIP). Numerical results show that the proposed MAML-based channel predictor can improve the prediction accuracy with only a small number of fine-tuning samples.
본 논문에서는 거대 다중안테나 시스템에서 기계학습 기반 적응형 채널예측 기법을 연구하였다. 거대 다중안테나 시스템에서는 기술의 장점을 극대화하기 위해 채널 정보를 정확히 아는 것이 중요하다. 하지만, 무선 통신 환경에서 단말의 이동성으로 인해 채널이 변화함에 따라 전체 데이터 전송률이 감소함이 알려져 있다. 이러한 문제를 해결하기 위해서 칼만필터 기반 및 기계학습 기반의 채널예측 기법을 제안하였다. 칼만필터 기반 채널예측 기법에서는 자기회귀 모델을 이용하여 채널 파라미터를 추정하고, 이를 바탕으로 칼만필터를 적용하여 채널을 예측하였다. 기계학습 기반 채널예측 기법에서는 선형최소평균제곱오차 기법을 기반으로 훈련 데이터의 전처리를 진행한 후 기계학습을 기반으로 채널을 예측하였다. 두 기법의 채널예측 정확도가 기존의 채널예측 기법보다 우수함을 확인하였다. 하지만 제안한 채널예측 기법은 정확한 성능을 획득하기 위해서 많은 수의 데이터가 요구되었다. 이러한 채널예측 기법의 한계점을 극복하고자 메타러닝 기반의 채널예측 기법을 제안하였다. 메타러닝 기법은 학습을 학습하는 구조로 되어 있어 적은 수의 훈련 데이터를 이용하더라도 적응적으로 채널을 예측할 수 있다. 이러한 메타러닝 기법과 함께 훈련 데이터의 잡음을 제거할 수 있는 심층잡음제거 기법을 적용하여 채널예측 성능을 개선시킬 수 있었다. 제안한 기법의 성능을 기존의 기계학습 기법과 비교하였을 때 적은 수의 훈련 데이터를 가지는 제한적인 상황에서도 우수한 성능을 확보할 수 있었다.
