环境反向散射通信中基于深度迁移学习的信号检测
信号处理
2020-11-16 v2 信息论
math.IT
摘要
标签信号检测是环境反向散射通信（AmBC）系统中的关键任务之一。然而，获取完美的信道状态信息（CSI）具有挑战性且成本高昂，这使得 AmBC 系统承受较高的误码率（BER）。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）方法隐式提取信道特征并直接恢复标签符号。为此，我们构建了由离线学习、迁移学习与在线检测组成的 DTL 检测框架。具体而言，基于最小错误概率（MEP）准则推导了基于 DTL 的似然比检验（DTL-LRT）。作为所构建框架的一种实现，我们随后应用卷积神经网络（CNN）智能探索样本协方差矩阵的特征，从而设计了基于 CNN 的标签信号检测算法。利用 CNN 在提取矩阵形式数据特征方面的强大能力，所提方法能够进一步提升系统性能。此外，当样本数足够大时，还推导了刻画所提 CNN 方法性质的渐近显式表达式。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.2009.05231,
title = {Deep Transfer Learning for Signal Detection in Ambient Backscatter Communications},
author = {Chang Liu and Zhiqiang Wei and Derrick Wing Kwan Ng and Jinhong Yuan and Ying-Chang Liang},
journal= {arXiv preprint arXiv:2009.05231},
year = {2020}
}
备注
Accepted by IEEE Transactions on Wireless Communications