基于 Grassmann 流形的 MIMO 信号检测快速几何学习
系统与控制
2024-08-08 v6 系统与控制
摘要
域或统计分布偏移是无线通信信道中常见的现象，源于环境的动态特性。对于动态通信场景中的多输入多输出（MIMO）信号检测，深度学习（DL）模型需要大量训练样本（数十万至数百万样本），并需在线重新训练以适应域偏移。某些动态网络（如车载网络）无法容忍收集大量训练样本或在线微调所需的等待时间。本文提出一种基于 geodesic flow kernel（GFK）的新型分类技术，用于 MIMO 信号检测。具体而言，首先通过构建由接收信号行向量张成的子空间基，将接收的 MIMO 信号表示为 Grassmann 流形上的点。随后，利用将位于测地线上的子空间积分的 GFK 核，建模域偏移，以刻画接收信号在几何和统计属性上的变化。该核从 Grassmann 流形上推导出接收信号的低维表示，这些表示对域偏移不变，可用于几何支持向量机（G-SVM）算法，以无监督方式对 MIMO 信号进行检测。仿真结果表明，该方法仅需 1,200 个训练样本即可实现令人满意的性能，优于现有基线方法如 OAMPnet 和 MMNet，且无需在线重新训练。
关键词
引用
@article{arxiv.2406.10453,
title = {Fast Geometric Learning of MIMO Signal Detection over Grassmannian Manifolds},
author = {Rashed Shelim and Walid Saad and Naren Ramakrishnan},
journal= {arXiv preprint arXiv:2406.10453},
year = {2024}
}