基于持续学习的超分辨率方案用于 OFDM 系统中的信道重建与泛化
机器学习
2025-03-05 v1 人工智能
信息论
math.IT
摘要
信道重建和泛化能力同样重要，用于开发深度学习框架内的信道估计方案。本文提出了一种新型深度学习方法，用于高效 OFDM 信道估计，其中分别设计了用于信道重建和泛化的神经网络。对于前者，提出了一种基于双注意力的超分辨率神经网络 (DA-SRNN)，将 pilot 位置的信道映射到整个时频信道。具体而言，首次引入信道-空间注意力机制，依次沿两个分别对应两种底层信道相关性的维度推断注意力图，然后开发轻量级超分辨率模块用于高效信道重建。对于后者，引入持续学习 (CL) 辅助的训练策略，使神经网络适应不同的信道分布。具体而言，将弹性权重整合 (EWC) 引入作为损失函数中的正则化项，可约束神经网络在不同信道分布下的重要权重的更新方向和空间。同时，提供了相应的训练过程细节。在基于 3GPP 信道模型的评估实验中，数值结果验证了所提出信道估计方案在显著提升信道重建和泛化性能方面的优势。
引用
@article{arxiv.2503.01897,
title = {Continual Learning-Aided Super-Resolution Scheme for Channel Reconstruction and Generalization in OFDM Systems},
author = {Jianqiao Chen and Nan Ma and Wenkai Liu and Xiaodong Xu and Ping Zhang},
journal= {arXiv preprint arXiv:2503.01897},
year = {2025}
}