AdaFortiTran：用于鲁棒 OFDM 信道估计的自适应 Transformer 模型
机器学习
2025-05-15 v1 信号处理
摘要
OFDM 系统中用于信道估计的深度学习模型常在快速衰落信道和低 SNR 场景下出现性能下降。为此，我们引入自适应防护 Transformer（AdaFortiTran），这是一种专为提升挑战环境下信道估计而设计的新型模型。我们的方法采用利用局部偏置捕获相邻信道元素之间强相关性的卷积层，结合应用在信道块上的全局注意力机制的 Transformer 编码器。该方法有效地建模了单帧 OFDM 内的长程依赖和时频相互作用。我们进一步通过整合可用信道统计信息 SNR、时延扩散和 Doppler 位移作为先验，增强模型的适应性。采用残差连接将 Transformer 的全局特征与早期卷积处理的局部特征融合，随后通过最终的卷积层细化该层次信道表征。尽管结构紧凑，AdaFortiTran 在均方误差（MSE）上较当前最先进模型实现了最高 6 dB 的降低。经过在 Doppler 位移（200-1000 Hz）、SNR（0-25 dB）和时延扩散（50-300 ns）广泛范围的测试，证明其在高迁移率环境下具有优异鲁棒性。
引用
@article{arxiv.2505.09076,
title = {AdaFortiTran: An Adaptive Transformer Model for Robust OFDM Channel Estimation},
author = {Berkay Guler and Hamid Jafarkhani},
journal= {arXiv preprint arXiv:2505.09076},
year = {2025}
}