基于深度生成网络的高维信道估计
信号处理
2020-06-25 v1
摘要
本文提出了一种新颖的压缩感知（CS）方法，通过优化深度生成网络的输入来实现高维无线信道估计。使用生成网络进行信道估计依赖于重构信道位于生成模型值域内的假设。使用生成先验的信道重构优于传统CS技术，且需要更少的导频。它还消除了对稀疏化基的先验知识的需求，而是将深度生成模型所捕获的结构作为先验。利用该先验，我们还从一位量化导频测量中进行信道估计，并提出了一种新颖的优化目标函数，该函数试图在最大化接收信号与生成器信道估计之间相关性的同时最小化信道估计的秩。我们的方法在窄带毫米波信道重构上显著优于正交匹配追踪（OMP）等稀疏信号恢复方法以及EM-GM-AMP等近似消息传递（AMP）算法，且其执行时间不会因接收导频符号数量的增加而受到明显影响。
引用
@article{arxiv.2006.13494,
title = {High Dimensional Channel Estimation Using Deep Generative Networks},
author = {Eren Balevi and Akash Doshi and Ajil Jalal and Alexandros Dimakis and Jeffrey G. Andrews},
journal= {arXiv preprint arXiv:2006.13494},
year = {2020}
}