深度迁移学习辅助的环境反向散射通信信号检测
信号处理
2020-11-12 v1 信息论
math.IT
摘要
现有的标签信号检测算法由于难以估计信道状态信息（CSI），不可避免地遭受高误码率（BER）之苦。为消除信道估计需求并提升系统性能，本文采用深度迁移学习（DTL）方法隐式提取通信信道特征并直接恢复标签符号。受卷积神经网络（CNN）在挖掘矩阵形式数据特征方面强大能力的启发，我们设计了一种新颖的基于协方差矩阵感知神经网络（CMNet）的检测方案以促进 DTL 用于标签信号检测，该方案由离线学习、迁移学习与在线检测组成。具体而言，基于最小错误概率（MEP）准则推导了基于 CMNet 的似然比检验（CMNet-LRT）。利用 DTL 仅需少量训练数据即可迁移知识的优异性能，所提方案能自适应微调检测器以适应不同信道环境，进一步提升检测性能。最后，大量仿真结果表明，所提方法的 BER 性能可与具有完美 CSI 的最优检测方法相媲美。
引用
@article{arxiv.2011.05574,
title = {Deep Transfer Learning-Assisted Signal Detection for Ambient Backscatter Communications},
author = {Chang Liu and Xuemeng Liu and Zhiqiang Wei and Derrick Wing Kwan Ng and Jinhong Yuan and Ying-Chang Liang},
journal= {arXiv preprint arXiv:2011.05574},
year = {2020}
}
备注
Accepted by IEEE Globecom 2020; Journal version "Deep Transfer Learning for Signal Detection in Ambient Backscatter Communications" has been accepted by IEEE TWC. arXiv admin note: substantial text overlap with arXiv:2009.05231