从过往经验与少量导频中学习适应新环境

近年来，深度学习被广泛用于通信领域并取得了显著的性能提升。现有多数工作基于数据驱动的深度学习，其需要大量训练数据以使通信模型适应新环境，并导致为收集数据与重训模型耗费巨大计算资源。本文中，我们将通过利用已知环境的学习经验，大幅削减新环境所需的训练数据量。为此，我们引入少样本学习以使通信模型泛化至新环境，其由一种基于注意力的方法实现。将注意力网络嵌入基于深度学习的通信模型后，具有不同功率延迟谱的环境可在训练过程中被一同学习，此即所谓学习经验。借助该学习经验，通信模型仅需少量导频块即可在新环境中表现良好。通过基于深度学习的信道估计实例，我们证明这一新颖设计方法优于现有面向少样本数据驱动的方法。