深度去噪神经网络辅助的毫米波智能反射面压缩信道估计
信息论
2020-09-01 v2 机器学习
信号处理
math.IT
摘要
将大型智能反射面（IRS）集成到毫米波（mmWave）大规模多输入多输出（MIMO）中，是改善覆盖与吞吐量的一种有前景的方法。多数现有工作假设理想信道估计，而由于高维级联 MIMO 信道与无源反射单元，该假设颇具挑战。因此，本文提出一种深度去噪神经网络辅助的毫米波 IRS 系统压缩信道估计，以降低训练开销。具体而言，我们首先引入混合无源/有源 IRS 架构，其中仅使用极少接收链来估计上行用户到 IRS 信道。在信道训练阶段，仅依次激活一小部分单元以探测部分信道。此外，基于压缩感知可由有限测量重建完整信道矩阵，其中利用不同子载波间角度域毫米波 MIMO 信道的公共稀疏性以提升精度。另外，进一步提出复值去噪卷积神经网络（CV-DnCNN）以增强性能。仿真结果证明了所提方案相对于现有最优方案的优越性。
引用
@article{arxiv.2006.02201,
title = {Deep Denoising Neural Network Assisted Compressive Channel Estimation for mmWave Intelligent Reflecting Surfaces},
author = {Shicong Liu and Zhen Gao and Jun Zhang and Marco Di Renzo and Mohamed-Slim Alouini},
journal= {arXiv preprint arXiv:2006.02201},
year = {2020}
}
备注
6 pages; 5 figures; to be published in IEEE Transactions on Vehicular Technology