基于模型学习的动态超表面天线信道估计
信息论
2023-11-15 v1 网络与互联网体系结构
信号处理
math.IT
摘要
动态超表面天线（DMA）是一种前沿天线技术，为大型天线阵列提供可扩展且可持续的解决方案。DMA 的有效性源于其固有的可配置模拟信号处理能力，有助于低成本实现。然而，当 DMA 用于多输入多输出（MIMO）通信系统时，因其模拟压缩特性给信道估计带来挑战。本文提出两种基于模型学习的方法以克服该挑战。我们的方法首先将信道估计建模为压缩感知问题。此处，感知矩阵由随机 DMA 加权矩阵与空间网格字典组合构成。随后采用学习迭代收缩阈值算法（LISTA）恢复稀疏信道参数。LISTA 将迭代收缩阈值算法展开为神经网络，并将该神经网络训练为契合先前信道的高效信道估计器。由于感知矩阵对 LISTA 恢复精度至关重要，我们引入另一种数据辅助方法——LISTA 感知矩阵优化（LISTA-SMO），以联合优化感知矩阵。LISTA-SMO 以 LISTA 为骨干，在 LISTA 神经网络中嵌入感知矩阵优化层，使感知矩阵优化与 LISTA 训练同步进行。此外，我们提出一种自监督学习技术以应对无噪数据获取困难。数值结果表明，LISTA 在信道估计精度与效率上优于传统稀疏恢复方法。此外，LISTA-SMO 取得了优于 LISTA 的信道精度，证明了感知矩阵优化的有效性。
引用
@article{arxiv.2311.08158,
title = {Channel Estimation with Dynamic Metasurface Antennas via Model-Based Learning},
author = {Xiangyu Zhang and Haiyang Zhang and Luxi Yang and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2311.08158},
year = {2023}
}