MIMO OFDM 系统中基于连续去噪的信道估计：一种强化学习方法
信号处理
2025-08-12 v5 机器学习
摘要
一般而言，通过多输入多输出（MIMO）正交频分复用（OFDM）实现可靠通信需要在接收端进行准确的信道估计。现有文献主要聚焦于依赖以下之一的信道估计去噪方法：（i）利用先验信道知识的时域信道分析，或（ii）需要大量预标注数据集训练的监督学习技术。为克服这些局限，我们提出一种基于强化学习框架的频域去噪方法，其不需要先验信道知识与预标注数据。我们的方法包含一种基于信道曲率计算的新型连续信道去噪过程，为此我们得到一个信道曲率幅度阈值以识别不可靠的信道估计。基于此过程，我们将去噪机制表述为马尔可夫决策过程，其中通过基于几何的信道估计更新定义动作，并基于降低均方误差（MSE）的策略定义奖励函数。随后我们借助 Q-learning 更新信道估计。数值结果验证了我们的去噪算法能成功抑制信道估计中的噪声。特别地，我们的算法相较实用的最小二乘（LS）估计方法有显著改进，并逼近具有完美信道统计知识的理想线性最小均方误差（LMMSE）估计的性能。
引用
@article{arxiv.2101.10300,
title = {Channel Estimation via Successive Denoising in MIMO OFDM Systems: A Reinforcement Learning Approach},
author = {Myeung Suk Oh and Seyyedali Hosseinalipour and Taejoon Kim and Christopher G. Brinton and David J. Love},
journal= {arXiv preprint arXiv:2101.10300},
year = {2025}
}
备注
This paper has been published in the proceedings of 2021 IEEE International Conference on Communications (ICC)