智能反射面辅助多用户通信中基于深度残差学习的信道估计
信号处理
2021-08-03 v4
摘要
信道估计是实现实用的智能反射面辅助多用户通信(IRS-MC)系统的主要任务之一。然而,不同于传统通信系统,IRS-MC系统通常涉及具有复杂统计分布的级联信道。在此情况下,最优最小均方误差(MMSE)估计器需要计算多维积分,这在实际中难以实现。为进一步提升信道估计性能,本文将信道估计建模为去噪问题,并采用深度残差学习(DReL)方法隐式学习残差噪声,以从含噪基于导频的观测中恢复信道系数。为此,我们首先开发了通用的基于DReL的信道估计框架,其中基于贝叶斯原理推导了基于深度残差网络(DRN)的MMSE估计器。作为所开发DReL框架的一种实现,随后提出了用于IRS-MC系统信道估计的基于卷积神经网络(CNN)的DRN(CDRN),其中专门设计了配备逐元素减法结构的CNN去噪块,以同时利用含噪信道矩阵的空间特征与噪声的加性本质。特别地,从贝叶斯估计角度推导并分析了所提CDRN的显式表达式,以从理论上刻画其性质。最后,仿真结果表明,所提方法的性能接近于需要已知信道先验概率密度函数的最优MMSE估计器。
引用
@article{arxiv.2009.01423,
title = {Deep Residual Learning for Channel Estimation in Intelligent Reflecting Surface-Assisted Multi-User Communications},
author = {Chang Liu and Xuemeng Liu and Derrick Wing Kwan Ng and Jinhong Yuan},
journal= {arXiv preprint arXiv:2009.01423},
year = {2021}
}
备注
This paper has been accepted by IEEE TWC and the source code is available at https://github.com/XML124/CDRN-channel-estimation-IRS