通过离线与在线元学习从少量导频中解调
信号处理
2021-10-22 v3 信息论
math.IT
摘要
本文考虑一种物联网（IoT）场景，其中设备通过衰落信道零星地发送带有少量导频符号的短数据包。设备的特征在于独特的发射非理想性，例如 I/Q 失衡。导频数量通常不足以获得端到端信道的准确估计，该信道包含衰落和发射端失真的影响。本文提出使用元学习来解决此问题。相应地，先前 IoT 传输的导频被用作元训练数据，以训练能够从少量导频快速适应新端到端信道条件的解调器。多种最先进的元学习方案被适配到当前问题并评估，包括 Model-Agnostic Meta-Learning (MAML)、First-Order MAML (FOMAML)、REPTILE 和通过元学习实现的快速上下文自适应（CAVIA）。开发了离线和在线两种解决方案。在后一种情况下，提出了一种集成的在线元学习和自适应导频数量选择方案。数值结果验证了元学习相对于以下训练方案的优势：要么不利用先前的传输，要么对先前接收的数据应用标准联合学习算法。
引用
@article{arxiv.1908.09049,
title = {Learning to Demodulate from Few Pilots via Offline and Online Meta-Learning},
author = {Sangwoo Park and Hyeryung Jang and Osvaldo Simeone and Joonhyuk Kang},
journal= {arXiv preprint arXiv:1908.09049},
year = {2021}
}
备注
journal paper to appear in IEEE Transactions on Signal Processing, subsumes (arXiv:1903.02184)