基于 Zynq 片上系统的前导码 OFDM 物理层中深度神经网络增强的无线信道估计
硬件体系结构
2023-05-02 v2
摘要
可靠且快速的信道估计对于支持广泛车载和低时延服务的下一代无线网络至关重要。近来，基于深度学习（DL）的信道估计已被探索作为传统最小二乘（LS）和线性最小均方误差（LMMSE）方法的高效替代方案。这些 DL 方法大多未在片上系统（SoC）上实现，初步研究表明其复杂度超过整个物理层（PHY）的复杂度。DL 的高时延是另一顾虑。本文考虑在 SoC 上设计并实现了用于基于前导码的正交频分复用（OFDM）物理层（PHY）的深度神经网络（DNN）增强的基于 LS 的信道估计（LSDNN）。我们展示了相比传统 LS 和 LMMSE 方法的性能增益。通过软硬件协同设计、字长优化和可重构架构，我们证明了 LSDNN 在广泛信噪比（SNR）、导频数量、前导码类型和无线信道下优于 LS 和 LMMSE。此外，我们在 45 nm 工艺下评估了 LS 和 LSDNN 专用集成电路（ASIC）实现的性能、功耗与面积（PPA）。我们证明字长优化能显著改善所提架构在 ASIC 实现中的 PPA。
引用
@article{arxiv.2209.02213,
title = {Deep Neural Network Augmented Wireless Channel Estimation for Preamble-based OFDM PHY on Zynq System on Chip},
author = {Syed Asrar ul haq and Abdul Karim Gizzini and Shakti Shrey and Sumit J. Darak and Sneh Saurabh and Marwa Chafii},
journal= {arXiv preprint arXiv:2209.02213},
year = {2023}
}