面向检测的机器学习：通过下行导频实现 MIMO-OFDM 符号检测
信号处理
2020-11-30 v2 信息论
机器学习
math.IT
摘要
储备池计算（RC）是一种特殊的循环神经网络，由固定的高维特征映射与训练得到的读出权重组成。本文提出一种用于多输入多输出正交频分复用（MIMO-OFDM）符号检测的新的 RC 结构，即加窗回声状态网络（WESN）。理论分析表明，在输入层加入缓冲可赋予底层神经网络增强的短期记忆（STM）。此外，基于 3GPP LTE/LTE-Advanced 系统所采用的结构兼容的梳状与散状导频图样，为 WESN MIMO-OFDM 符号检测器开发了统一的训练框架。复杂度分析表明，当系统采用大量 OFDM 子载波时，基于 WESN 的符号检测器相较于线性最小均方误差（LMMSE）检测和球解码器等先进符号检测器具有优势。数值评估说明了所引入的基于 WESN 的符号检测器的优势，并证明 STM 的改善可显著提升符号检测性能，且相较于现有方法能有效缓解模型失配影响。
引用
@article{arxiv.1907.01516,
title = {Learning for Detection: MIMO-OFDM Symbol Detection through Downlink Pilots},
author = {Zhou Zhou and Lingjia Liu and Hao-Hsuan Chang},
journal= {arXiv preprint arXiv:1907.01516},
year = {2020}
}