AE-DENet：增强 OFDM 系统中基于深度学习的信道估计
信号处理
2025-03-28 v2
摘要
基于深度学习（DL）的方法在解决正交频分复用（OFDM）信道估计挑战方面已展现出显著成就。然而，现有的基于深度学习的方法主要依赖独立的实部和虚部输入，而忽略了两者之间的固有相关性，例如通信信号处理中基础的幅度和相位信息。本文提出 AE-DENet，一种新型基于自编码器（AE）的数据增强网络，用于提升现有基于深度学习的信道估计方法的性能。AE-DENet 侧重于通过采用基于学习的数据增强方法来丰富基于深度学习方法常用的经典最小二乘（LS）估计输入，该方法从实部和虚部分量中提取交互特征，并将其与原始实部/虚部流融合，生成用于更好信道推断的增强输入。实验结果表明，所提出的方法在均方误差（MSE）方面增强了所有最先进的基于深度学习的信道估计器的性能，且增加的复杂度可忽略不计。此外，所提出的方法对信道变化和高用户移动性表现出鲁棒性。
引用
@article{arxiv.2411.06526,
title = {AE-DENet: Enhancement for Deep Learning-based Channel Estimation in OFDM Systems},
author = {Ephrem Fola and Yang Luo and Chunbo Luo},
journal= {arXiv preprint arXiv:2411.06526},
year = {2025}
}
备注
This paper is accepted for IEEE GLOBECOM 2024