基于 Zynq 片上系统的导频 OFDM 低复杂度深度学习增强无线信道估计
信号处理
2024-03-05 v1 硬件体系结构
摘要
信道估计（CE）是无线物理层（PHY）的关键信号处理任务之一。近期基于深度学习（DL）的信道估计已优于最小二乘法信道估计（LS）和线性最小均方误差信道估计（LMMSE）等统计方法。然而，现有的信道估计方法尚未在片上系统（SoC）上实现。本文的第一个贡献是通过软硬件协同设计和定点分析，在由 ARM 处理器和现场可编程门阵列（FPGA）组成的 Zynq SoC（ZSoC）上高效实现了现有最先进的信道估计算法。我们验证了在各种信噪比（SNR）和无线信道下，基于 DL 的信道估计和 LMMSE 在均方误差（MSE）和误码率（BER）方面优于 LS。我们还强调了基于 DL 的信道估计和 LMMSE 方法的高复杂度、执行时间和功耗。为了解决这一问题，我们提出了一种新颖的计算高效的 LS 增强插值深度神经网络（LSiDNN）信道估计算法，并在 ZSoC 上予以实现。在相同 MSE 和 BER 下，所提出的 LSiDNN 比最先进的基于 DL 的信道估计执行时间降低 88-90%，资源利用率降低 38-85%。LSiDNN 的 MSE 和 BER 显著低于 LMMSE，且收发机间的移动性增加时增益进一步提升。与 LMMSE 相比，其执行时间降低 75%，资源利用率降低 90-94%。
引用
@article{arxiv.2403.01098,
title = {Low Complexity Deep Learning Augmented Wireless Channel Estimation for Pilot-Based OFDM on Zynq System on Chip},
author = {Animesh Sharma and Syed Asrar Ul Haq and Sumit J. Darak},
journal= {arXiv preprint arXiv:2403.01098},
year = {2024}
}