基于图神经网络的检测能否缓解硬件缺陷的影响?
信号处理
2023-05-09 v1
摘要
直到最近,研究者还使用机器学习方法在符号级补偿硬件缺陷,表明最优射频收发机性能是可实现的。然而,此类方法忽略了无线网络中使用的纠错码,这启发了在比特级学习并最小化硬件缺陷的机器学习(ML)方法。在本文中,我们评估了一种基于图神经网络(GNN)的智能检测器的同相与正交不平衡(IQI)缓解能力。我们聚焦于高频、高方向性无线系统,其中 IQI 同时影响发射机(TX)与接收机(RX)。TX 使用基于 GNN 的解码器,而 RX 使用线性纠错算法。比特误码率(BER)通过适当的蒙特卡洛仿真计算以量化性能。最后,将结果与使用常规检测器的传统系统以及使用基于置信传播检测器的无线系统进行比较。由于图神经网络的使用,所提算法具有高度可扩展性且训练参数少,并能适应各种码参数。
引用
@article{arxiv.2305.04612,
title = {Can graph neural network-based detection mitigate the impact of hardware imperfections?},
author = {Lamprini Mitsiou and Stylianos Trevlakis and Argiris Tsiolas and Dimitrios J. Vergados and Angelos Michalas and Alexandros-Apostolos A. Boulogeorgos},
journal= {arXiv preprint arXiv:2305.04612},
year = {2023}
}
备注
5 pages, 2 figures, BalkanCom 2023