Meta-ViterbiNet：面向非平稳信道的在线元学习维特比均衡
信息论
2021-03-26 v1 信号处理
math.IT
摘要
基于深度神经网络（DNN）的数字接收机有潜力在复杂环境中工作。然而，通信信道的动态特性意味着在某些场景下，基于 DNN 的接收机应周期性地重新训练以跟踪信道条件的时变。为此，通常需要频繁发送冗长的导频序列，代价是大量开销。本工作中我们提出了一种 DNN 辅助的符号检测器 Meta-ViterbiNet，它通过融合三种互补技术以更低开销跟踪信道变化：1）我们利用领域知识实现了一个基于模型/数据驱动的均衡器 ViterbiNet，其可训练参数相对较少；2）我们针对符号检测问题定制了元学习过程，优化学习算法的超参数以促进快速在线自适应；3）我们采用基于编码通信的决策导向方法，以短导频块实现在线训练。数值结果表明，Meta-ViterbiNet 在快速时变信道中准确工作，在多种挑战性场景下，其误码率较此前最佳方法（基于 ViterbiNet 或不含元学习的传统循环神经网络）高出最多 0.6dB 的增益。
引用
@article{arxiv.2103.13483,
title = {Meta-ViterbiNet: Online Meta-Learned Viterbi Equalization for Non-Stationary Channels},
author = {Tomer Raviv and Sangwoo Park and Nir Shlezinger and Osvaldo Simeone and Yonina C. Eldar and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2103.13483},
year = {2021}
}