基于深度学习的双选信道估计：使用 Bi-RNN 网络的高移动性通信方法
信息论
2023-05-02 v1 人工智能
math.IT
摘要
双选信道估计是保障无线系统通信可靠性的关键要素。由于动态环境中多径传播和多普勒干扰的影响，双选信道估计变得具有挑战性。传统信道估计方案因使用有限训练导频，在高移动性场景下性能退化。近来，深度学习（DL）被用于双选信道估计，其中卷积神经网络（CNN）以逐帧（FBF）信道估计方式应用。然而，基于 CNN 的估计器复杂度高，难以在实际场景中应用。为此，我们通过提出一种基于优化且鲁棒的双向循环神经网络（Bi-RNN）的信道估计器来克服该问题，以准确估计双选信道，尤其在高移动性场景中。该估计器基于使用门控循环单元（GRU）进行端到端插值。大量数值实验表明，所开发的 Bi-GRU 估计器在不同移动性场景下显著优于近期提出的基于 CNN 的估计器，同时大幅降低了整体计算复杂度。
引用
@article{arxiv.2305.00208,
title = {Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks},
author = {Abdul Karim Gizzini and Marwa Chafii},
journal= {arXiv preprint arXiv:2305.00208},
year = {2023}
}
备注
Accepted for presentation at IEEE 2023 IEEE International Conference on Communications (ICC), 28 May - 01 June 2023, Rome, Italy