数据驱动深度学习设计大规模 MIMO 的导频与信道估计器
信息论
2020-03-13 v1 机器学习
信号处理
math.IT
摘要
本文提出一种数据驱动深度学习 (DL) 方法，用于联合设计宽带大规模多输入多输出 (MIMO) 系统的导频信号与信道估计器。通过利用大规模 MIMO 信道在角度域的可压缩性，所构想的 DL 框架能够从欠定测量中可靠地重建高维信道。具体而言，我们设计了一个由降维网络与重建网络组成的端到端深度神经网络 (DNN) 架构，分别模拟导频信号与信道估计器，二者均可通过数据驱动深度学习获得。对于降维网络，我们设计了一个全连接层，将高维大规模 MIMO 信道向量作为输入压缩为低维接收测量，其中权重被视为导频信号。对于重建网络，我们设计了一个全连接层后接多个级联卷积层，将高维信道作为输出重建。通过定义输入与输出之间的均方误差为损失函数，我们利用 Adam 算法以大量信道样本训练上述端到端 DNN。由此，导频信号与信道估计器可同时获得。仿真结果表明，所提方案优于最先进的压缩感知方法。
引用
@article{arxiv.2003.05875,
title = {Data-Driven Deep Learning to Design Pilot and Channel Estimator For Massive MIMO},
author = {Xisuo Ma and Zhen Gao},
journal= {arXiv preprint arXiv:2003.05875},
year = {2020}
}
备注
6 pages 4 fugures;accepted by IEEE Transactions on Vehicular Technology