通过设计训练数据实现稳健的信道估计神经网络

信道估计是无线通信中的关键环节。然而，许多论文中的神经网络往往只能在单一信道或相似信道上进行训练与测试。由于数据驱动方法在新数据上难以外推，训练得到的模型常表现下降，这尽管物理信道往往是时变的。然而，鉴于低时延要求和有限的计算资源，神经网络可能没有足够的时间和计算资源在线进行参数微调。这就动机我们设计一种在离线训练后仍能在各种无线信道上稳健运行的神经网络，而无需在设计时获取实际信道信息。在本文中，我们提出了生成合成训练数据集的设计准则，保证训练后的网络在新见到的信道上能够达到一定的均方误差（MSE）。因此，训练得到的神经网络在实际应用中无需任何先验信道信息或参数更新。基于提出的设计准则，我们进一步提出了一个基准设计，确保不同信道配置下的智能运行。为演示通用适用性，我们使用不同复杂度的神经网络，表明实现的泛化似乎与神经网络结构无关。仿真结果显示，神经网络能够对信道配置固定或可变时延展开展现出鲁健的泛化能力。