基于深度神经网络 k 步预测器的决策导向信道估计用于 5G MIMO 通信
信号处理
2019-01-14 v1
摘要
我们考虑使用深度神经网络 (DNN) 为高度动态车载环境中的多输入多输出 (MIMO)-空时分组码系统开发决策导向 (DD) 信道估计 (CE) 算法。我们提出将 DNN 用于空时分组码 (STBC) 的 k 步信道预测，并表明基于深度学习 (DL) 的 DD-CE 可消除在快时变准平稳信道中对多普勒扩展估计的需求，此类信道中多普勒扩展随数据包不同而变化。在这种车载信道中的多普勒扩展估计极具挑战性，且需要大量导频与前导，导致功率与频谱效率降低。我们训练了两个 DNN，其在宽范围多普勒扩展上学习 MIMO 衰落信道的实部与虚部。我们证明，借助这些 DNN，DD-CE 仅需关于多普勒扩展范围的粗略先验知识即可实现。对于所提 DD-CE 算法，我们还解析推导了 STBC 传输的最大似然 (ML) 解码算法。所提基于 DL 的 DD-CE 是在无精确数学模型情况下车载 MIMO 衰落信道上可靠通信的有前景方案。这是因为 DNN 能智能学习衰落信道的统计特性。我们的仿真结果表明，相较于现有 DD-CE 算法（后者需要多普勒率的完美知识），所提基于 DL 的 DD-CE 算法表现出更低的传播误差。
引用
@article{arxiv.1901.03435,
title = {Decision Directed Channel Estimation Based on Deep Neural Network k-step Predictor for MIMO Communications in 5G},
author = {Mehrtash Mehrabi and Mostafa Mohammadkarimi and Masoud Ardakani and Yindi Jing},
journal= {arXiv preprint arXiv:1901.03435},
year = {2019}
}