通过基于模型的机器学习进行数据驱动符号检测
信号处理
2020-02-19 v1 信息论
机器学习
math.IT
机器学习
摘要
数字通信系统中符号检测器的设计传统上依赖于描述发射符号与接收端观测信号之间关系的统计信道模型。在此我们回顾一种结合机器学习（ML）与基于模型算法的数据驱动符号检测设计框架。在这种混合方法中，诸如维特比方法、BCJR 检测和多输入多输出（MIMO）软干扰消除（SIC）等众所周知的基于信道模型的算法，被基于 ML 的算法增强以去除其对信道模型的依赖，使接收机仅从数据中学习实现这些算法。所得到的数据驱动接收机最适用于底层信道模型理解甚少、高度复杂或不能很好捕捉底层物理的系统。我们的方法独特之处在于，它仅用可从少量数据训练得到的专用神经网络替换基于信道模型的计算，同时保持总体算法不变。我们的结果表明，这些技术可在不知晓精确信道输入输出统计关系且存在信道状态信息不确定性的情况下，产生接近基于模型算法最优的性能。
引用
@article{arxiv.2002.07806,
title = {Data-Driven Symbol Detection via Model-Based Machine Learning},
author = {Nariman Farsad and Nir Shlezinger and Andrea J. Goldsmith and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2002.07806},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1905.10750