OFDM系统中联合信道估计与信号检测的深度学习和迭代算法比较研究
信号处理
2024-06-24 v3 机器学习
摘要
联合信道估计与信号检测（JCESD）在正交频分复用（OFDM）系统中至关重要，但传统算法在低信噪比（SNR）场景下性能较差。深度学习（DL）方法已被研究，但关于计算开销以及在低SNR环境下缺乏验证的担忧仍然存在。因此，开发一种鲁棒且低复杂度的模型，能够在广泛SNR范围内提供优异性能是非常可取的。本文旨在建立一个基准，在不同信道模型、多普勒和SNR设置下验证传统算法和DL方法，特别关注半盲设置。具体而言，我们提出了一种新的DL模型，其骨干网络由展开迭代算法构成，超参数由超网络估计。此外，我们适配了一个轻量级DenseNet用于JCESD任务以作比较。我们从三个方面评估不同方法：误码率（BER）方面的泛化性、鲁棒性和复杂性。我们的结果表明，在具有挑战性的低SNR设置下DL方法优于传统算法，而迭代算法在高SNR设置下表现更好。此外，迭代算法在存在载波频偏时更鲁棒，而DL方法在信号被非对称高斯噪声破坏时表现出色。
引用
@article{arxiv.2303.03678,
title = {A Comparative Study of Deep Learning and Iterative Algorithms for Joint Channel Estimation and Signal Detection in OFDM Systems},
author = {Haocheng Ju and Haimiao Zhang and Lin Li and Xiao Li and Bin Dong},
journal= {arXiv preprint arXiv:2303.03678},
year = {2024}
}
备注
Code is available at https://github.com/j991222/MIMO_JCESD