面向异构混合大规模MIMO接收器的被动DOA估计器的协学习多模态深度学习框架
信号处理
2024-06-13 v2 人工智能
信息论
math.IT
摘要
由于其在速率和分辨率方面的优异性能，全数字（FD）大规模多输入多输出（MIMO）天线阵列在数据传输和方向到达（DOA）测量等方面得到了广泛应用。但它面临两个主要挑战：高计算复杂度和电路成本。两种问题可通过混合模拟-数字（HAD）结构得到很好地解决。但存在相位歧义问题，这会导致其低效率或高延迟。是否存在一种MIMO结构，同时具备低成本、低复杂度和高时序效率？为满足这三个属性，我们提出一种集成FD和异构HAD（AD-FD）的新型异构混合MIMO接收器结构，并开发相应的多模态（MD）学习框架。该框架包括三个主要阶段：1）通过根MUSIC或深度学习（DL）生成候选集；2）使用机器学习（ML）方法从候选集中推断真实解的类别；3）融合两部分真实解以实现更好的DOA估计。上述过程形成两种方法，称为MD-Root-MUSIC和MDDL。为提高DOA估计精度和降低聚类复杂度，提出一种协学习驱动的MD框架，以形成两种增强方法，称为CoMDDL和CoMD-RootMUSIC。此外，还推导了该提议AD-FD结构的克雷尔-罗伯下界（CRLB）。实验结果表明，我们提出的四种方法在信噪比（SNR）> 0 dB时可接近CRLB，而提出的CoMDDL和MDDL优于CoMD-RootMUSIC和MD-Root-MUSIC，尤其在极低SNR区域表现更佳。
引用
@article{arxiv.2405.09556,
title = {Co-learning-aided Multi-modal-deep-learning Framework of Passive DOA Estimators for a Heterogeneous Hybrid Massive MIMO Receiver},
author = {Jiatong Bai and Feng Shu and Qinghe Zheng and Bo Xu and Baihua Shi and Yiwen Chen and Weibin Zhang and Xianpeng Wang},
journal= {arXiv preprint arXiv:2405.09556},
year = {2024}
}