存在射频损伤的太赫兹频段大规模MIMO基于深度学习模型的信道估计
信息论
2024-09-26 v1 信号处理
math.IT
摘要
鉴于其巨大的带宽和低延迟连接，启用太赫兹频段的大规模MIMO（M-MIMO）被认为是6G技术的关键推动因素。在大规模M-MIMO配置中，太赫兹的扩大阵列孔径和短波长导致远场和近场路径的合并，这使得太赫兹M-MIMO的信道估计等任务极具挑战性。此外，在太赫兹收发器中，模拟设备的射频（RF）损伤（如相位噪声（PN））也会导致信道估计性能下降。经典估计器以及传统的基于深度学习（DL）的算法在用于大规模天线阵列（即M-MIMO）以及考虑实际使用中的射频损伤时，难以保持其鲁棒性。为了有效解决这一问题，至关重要的是使用一种能够研究信道和射频损伤相关性行为的神经网络（NN），例如循环神经网络（RNN）。射频损伤作为序列噪声数据，随后与信道数据相结合，导致选择一种特定类型的RNN，即双向长短期记忆（BiLSTM），其后接门控循环单元（GRU）来处理序列数据。仿真结果表明，我们提出的模型在各种信噪比（SNR）水平下均优于其他基准方法。
引用
@article{arxiv.2409.16420,
title = {Deep Learning Model-Based Channel Estimation for THz Band Massive MIMO with RF Impairments},
author = {Pulok Tarafder and Imtiaz Ahmed and Danda B. Rawat and Ramesh Annavajjala and Kumar Vijay Mishra},
journal= {arXiv preprint arXiv:2409.16420},
year = {2024}
}
备注
Accepted to the MILCOM Workshop 2024