基于深度学习的非正交下行链路串行干扰消除
信息论
2022-08-01 v1 信号处理
math.IT
摘要
非正交通信有望在未来无线系统中发挥关键作用。在下行链路传输中，数据符号由基站广播至不同用户，并以不同功率叠加，以利用串行干扰消除（SIC）促进高完整性检测。然而，SIC 需要准确的信道模型与信道状态信息（CSI）知识，这可能难以获取。我们提出一种深度学习辅助的 SIC 检测器，称为 SICNet，其以深度神经网络（DNN）替代 SIC 的干扰消除模块。具体而言，SICNet 以数据驱动方式联合训练其内部 DNN 辅助模块以推断表示干扰符号的软信息，而非像经典 SIC 那样使用硬判决解码器。因此，SICNet 在非正交系统下行链路中可靠检测叠加符号，无需任何信道模型先验知识，同时对 CSI 不确定性的敏感度低于其基于模型的对应方法。SICNet 对用户数量及其功率分配的变化亦具鲁棒性。此外，SICNet 学会产生准确软输出，相较于基于模型的 SIC，有助于改进软输入纠错解码。最后，我们提出一种块衰落下 SICNet 的在线训练方法，其利用信道解码准确恢复在线数据标签以重新训练，从而使其能在无需专用导频的情况下平滑跟踪衰落包络。数值结果表明，SICNet 在完美 CSI 下接近经典 SIC 性能，而在实际 CSI 不确定性下优于后者。
引用
@article{arxiv.2207.14468,
title = {Deep Learning Based Successive Interference Cancellation for the Non-Orthogonal Downlink},
author = {Thien Van Luong and Nir Shlezinger and Chao Xu and Tiep M. Hoang and Yonina C. Eldar and Lajos Hanzo},
journal= {arXiv preprint arXiv:2207.14468},
year = {2022}
}