深度信道预测：时变衰落信道中接收机设计的DNN框架
摘要
在时变衰落信道中，信道系数通过使用每个相干间隔内传输的导频符号进行估计。对于具有高多普勒扩展的信道，信道随时间的快速变化将需要大量带宽用于导频传输，导致吞吐量低下。本文提出一种使用深度循环神经网络（RNNs）的新型接收机架构，其学习信道变化，从而减少信道估计所需的导频符号数量。具体而言，我们设计并训练了一个RNN，以学习时变信道中的相关性，并在宽范围的多普勒和信噪比（SNR）下准确预测未来信道系数。所提出的训练方法通过教师强制训练、早停以及学习率 Plateau 衰减等技术实现准确的信道预测。此外，通过基于多普勒和SNR调整未来预测步数，实现了针对不同多普勒和SNR预测的鲁棒性。数值结果表明，所提接收机在时变衰落信道中取得了良好的误码性能。我们还提出了一种由数据判决驱动的RNN接收机架构，在保持良好误码性能的同时进一步降低导频开销。
引用
@article{arxiv.2203.12310,
title = {Deep Channel Prediction: A DNN Framework for Receiver Design in Time-Varying Fading Channels},
author = {Sandesh Rao Mattu and Lakshmi Narasimhan T and A. Chockalingam},
journal= {arXiv preprint arXiv:2203.12310},
year = {2022}
}
备注
Accepted TVT. Copyright IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works