利用深度学习增强 AmBC 系统以实现联合信道估计与信号检测
信息论
2023-11-16 v1 信号处理
math.IT
摘要
ubiquitous、可负担的无线连接时代为无数实际应用打开了大门。在此背景下，环境反向散射通信（AmBC）脱颖而出，其利用无源标签通过捕获反射的环境射频（RF）信号与读取器建立连接。然而，传统数据检测器因其对信道与 RF 源参数认知不足而面临局限。为应对该挑战，我们提出一种创新方法，使用深度神经网络（DNN）在 AmBC 系统内实现信道状态估计（CSI）与信号检测。不同于将 CSI 估计与数据检测分离的传统方法，我们的方法借助 DNN 隐式估计 CSI 并同时检测数据。该 DNN 模型使用源于信道统计的模拟数据离线训练，擅长在线数据恢复，确保在真实场景中稳健性能。综合评估验证了我们所提 DNN 方法相对于传统检测器的优越性，尤其在误码率（BER）方面。在高信噪比（SNR）条件下，相较最大似然（ML）方法，我们的方法在 BER 性能上展现出约 20% 的显著提升。这些结果凸显了我们为 AmBC 信道估计与信号检测所开发方法的有效性。总之，我们的方法优于传统检测器，即使在具挑战性的信道条件下也增强了 AmBC 系统的可靠性与效率。
引用
@article{arxiv.2311.09172,
title = {Enhancing AmBC Systems with Deep Learning for Joint Channel Estimation and Signal Detection},
author = {S. Zargari and A. Hakimi and C. Tellambura and A. Maaref},
journal= {arXiv preprint arXiv:2311.09172},
year = {2023}
}
备注
Accepted for publication in the IEEE Transactions on Communications