一种受变分贝叶斯推理启发的用于 MIMO 检测的展开式深度网络
信息论
2022-01-12 v2 信号处理
math.IT
摘要
深度学习的巨大成功激励研究者为多输入多输出（MIMO）系统开发更精确高效的符号检测器。然而，现有基于深度学习的 MIMO 检测器存在若干缺陷。为解决这些问题，本文提出一种基于变分贝叶斯推理的模型驱动深度学习检测器。具体而言，所提出的展开式深度学习架构受一种无逆变分贝叶斯学习框架启发，该框架通过最大化松弛证据下界规避矩阵求逆。分别针对独立同分布（i.i.d.）高斯信道和任意相关信道开发了两种网络。所提网络称为 VBINet，仅含少量可学习参数，因而可用适量训练样本高效训练。基于 VBINet 的检测器可工作于离线与在线训练两种模式。相较于 OAMPNet 和 MMNet 等最先进 MIMO 检测网络，我们所提网络的重要优势在于 VBINet 能从数据自动学习噪声方差，从而在噪声方差不确定时相较 OAMPNet 和 MMNet 取得显著性能提升。仿真结果表明，所提基于 VBINet 的检测器在 i.i.d. 高斯和真实 3GPP MIMO 信道下均取得具竞争力的性能。
引用
@article{arxiv.2109.12275,
title = {A Variational Bayesian Inference-Inspired Unrolled Deep Network for MIMO Detection},
author = {Qian Wan and Jun Fang and Yinsen Huang and Huiping Duan and Hongbin Li},
journal= {arXiv preprint arXiv:2109.12275},
year = {2022}
}
备注
This paper has been accepted by IEEE Transactions on Signal Processing for future publication