轻量级图神经网络用于提升5G NR信道估计
信号处理
2025-07-15 v1
摘要
有效的信道估计CE对于优化5G新型无线电NR系统至关重要，尤其是在动态环境中，传统方法在复杂度和适应性方面往往难以满足挑战。本文引入了GraphNet，这是一种新型轻量级基于图神经网络GNN的估计器，旨在增强5G NR的CE。我们提出的方法利用GNN架构，在捕捉实现准确CE所必需的关键特征的同时，最小化计算开销。我们在从慢变化到高度动态的各种信道条件下对GraphNet进行评估，并将其性能与ChannelNet（一种众所周知的基于深度学习的CE方法）进行比较。GraphNet不仅在稳定条件下匹配ChannelNet的性能，更在高变动场景下显著超越其性能，尤其在误码率方面。它还内置了噪声估计功能，提高了在恶劣信道条件下的鲁棒性。此外，其显著较轻的计算资源占用使GraphNet特别适用于计算资源有限的边缘设备的实时部署。通过凸显图神经网络在CE过程中的潜力，GraphNet提供了一种可扩展且稳健的解决方案，契合5G技术不断演进的需求，凸显其在无线通信系统中的效率与性能，作为下一代解决方案。
引用
@article{arxiv.2507.09408,
title = {Lightweight Graph Neural Networks for Enhanced 5G NR Channel Estimation},
author = {Sajedeh Norouzi and Mostafa Rahmani and Yi Chu and Torsten Braun and Kaushik Chowdhury and Alister Burr},
journal= {arXiv preprint arXiv:2507.09408},
year = {2025}
}
备注
Accepted in IEEE PIMRC 2025