基于元学习的 MIMO 检测器：设计、仿真与实验测试
信号处理
2020-12-09 v1
摘要
深度神经网络（NNs）在高效平衡多输入多输出（MIMO）检测器的性能与复杂度方面已展现出可观潜力。我们提出一种接收机框架，通过利用以下简单观察实现高效的在线训练：尽管 NN 参数应适应信道，但并非所有参数都对信道敏感。具体而言，我们采用深度展开 NN 结构，将信号检测与信道解码模块中的迭代算法表示为多层深度前馈网络。建立一个称为 EPNet 的期望传播（EP）模块用于信号检测，通过展开 EP 算法并使阻尼因子可训练。一个称为 TurboNet 的展开 turbo 解码模块用于信道解码。该组件解码 turbo 码，其中可训练的 NN 单元被集成到传统的 max-log-最大后验解码流程中。我们证明 TurboNet 对信道具有鲁棒性且仅需一次离线训练。因此，仅有 EPNet 中的少数阻尼因子必须在线重新优化。随后开发了基于元学习的在线训练机制。此处，由长短期记忆 NNs 实现的优化器经训练以利用小规模训练集高效更新阻尼因子，从而使其快速适应新环境。仿真结果表明，所提接收机显著优于传统接收机，且在线学习机制可快速适应新环境。此外，给出了一种空口平台以证明所提接收机在实际部署中的显著鲁棒性。
引用
@article{arxiv.2012.04379,
title = {Meta Learning-based MIMO Detectors: Design, Simulation, and Experimental Test},
author = {Jing Zhang and Yunfeng He and Yu-Wen Li and Chao-Kai Wen and Shi Jin},
journal= {arXiv preprint arXiv:2012.04379},
year = {2020}
}
备注
32 pages, 11 figures, 8 tables