基于 DDPG 驱动深度展开与自适应深度的稀疏贝叶斯学习信道估计
信号处理
2023-04-21 v3 信息论
机器学习
math.IT
摘要
深度展开神经网络（NNs）因能以相对较低复杂度取得令人满意的性能而备受关注。通常，这些深度展开 NN 对所有输入都局限于固定深度。然而，收敛所需的最优层数随不同输入而变化。在本文中，我们首先提出了一种由深度确定性策略梯度（DDPG）驱动的、针对不同输入具有自适应深度的深度展开框架，其中深度展开 NN 的可训练参数由 DDPG 学习，而非直接由随机梯度下降算法更新。具体而言，深度展开 NN 的优化变量、可训练参数和架构分别设计为 DDPG 的状态、动作和状态转移。然后，该框架被用于解决大规模多输入多输出系统中的信道估计问题。具体而言，我们首先用离网格基表述信道估计问题，并开发基于稀疏贝叶斯学习（SBL）的算法来求解。其次，将基于 SBL 的算法展开为具有一组引入的可训练参数的逐层结构。第三，采用所提出的 DDPG 驱动深度展开框架，基于 SBL 算法的展开结构来解决该信道估计问题。为实现自适应深度，我们设计了停止分数来指示何时停止，其为信道重构误差的函数。此外，该框架被扩展以实现通用深度神经网络（DNNs）的自适应深度。仿真结果表明，所提算法以少得多的层数优于传统优化算法和固定深度的 DNNs。
引用
@article{arxiv.2201.08477,
title = {DDPG-Driven Deep-Unfolding with Adaptive Depth for Channel Estimation with Sparse Bayesian Learning},
author = {Qiyu Hu and Shuhan Shi and Yunlong Cai and Guanding Yu},
journal= {arXiv preprint arXiv:2201.08477},
year = {2023}
}
备注
16 pages, 14 figures