LoRD-Net：基于低分辨率接收机的展开式深度检测网络
信号处理
2021-11-10 v1 机器学习
最优化与控制
摘要
从含噪低分辨率量化测量中恢复高维信号的需求在通信与感知中广泛存在。本文关注一位量化器的极端情形，并提出一种称为LoRD-Net的深度检测器，用于从一位测量中恢复信息符号。我们的方法是一种基于模型感知的数据驱动架构，由一阶优化迭代的深度展开得到。LoRD-Net具有任务导向的架构，致力于从一位含噪测量中恢复底层感兴趣信号，且无需获知获取该一位测量所经信道矩阵的先验知识。由于在设计架构时融入了领域知识，所提深度检测器相较黑盒深度网络参数量大幅减少，使其能以数据驱动方式运行，同时受益于基于模型的优化方法的灵活性、通用性与可靠性。LoRD-Net以盲方式运行，这要求同时应对数据采集系统的非线性本质，以及确定用于信号恢复的合适优化目标。据此，我们提出一种两阶段LoRD-Net训练方法：第一阶段致力于确定待展开的优化过程的合适形式，第二阶段以端到端方式训练所得模型。我们在无线通信的一位信号恢复中对所提接收机架构进行数值评估，表明该混合方法优于最先进的数据驱动与基于模型的方法，且仅使用约个样本量级的小数据集进行训练。
引用
@article{arxiv.2102.02993,
title = {LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers},
author = {Shahin Khobahi and Nir Shlezinger and Mojtaba Soltanalian and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2102.02993},
year = {2021}
}