面向深度接收机的数据增强

深度神经网络（DNNs）使数字接收机能够学习在复杂环境中工作。为此，DNNs 最好使用具有与其推断时相同统计关系的大型标注数据集进行训练。对于 DNN 辅助的接收机，获取标注数据传统上涉及导频信令，代价是频谱效率降低，通常导致只能获得有限的数据集。本文中，我们研究如何将一小部分标注导频数据扩充为更大的数据集以训练深度接收机。受视觉和文本数据扩充技术广泛使用的启发，我们提出利用数字通信数据特性的专用扩充方案。我们将深度接收机数据扩充的关键考量确定为需要域定向、类别（星座）多样性和低复杂度。遵循这些准则，我们设计了三种互补的扩充方式，利用数字星座的几何特性。我们的组合扩充方法基于这些不同扩充的优点，从瞬时信道分布合成可靠数据，用于训练深度接收机。此外，我们利用先前的信道实现来提高扩充样本的可靠性。