硬件损伤下的 MIMO 检测：基于带噪标签的学习
信号处理
2023-06-09 v1 信息论
math.IT
摘要
本文研究存在硬件损伤的多输入多输出（MIMO）通信系统中的数据检测问题。为应对接收信号中非线性且未知失真带来的挑战，提出了两种基于学习的检测方法，即模型驱动与数据驱动。模型驱动方法采用广义高斯失真模型来近似失真接收信号的条件分布。通过利用粗数据检测的输出作为带噪训练数据，模型驱动方法避免了除传统用于信道估计的导频开销之外的额外训练开销。设计了一种期望最大化算法，以从带噪训练数据中准确学习失真模型的参数。为解决模型驱动方法中的模型失配问题，数据驱动方法采用深度神经网络（DNN）来近似每个接收信号的后验概率。该方法以模型驱动方法的输出作为带噪标签，因此不需要额外训练开销。为避免带噪标签引起的过拟合问题，设计了一种鲁棒的 DNN 训练算法，包含预热期、样本选择与损失校正。仿真结果表明，在各种硬件损伤场景下，所提两种方法以相同开销优于现有方案。
引用
@article{arxiv.2306.05146,
title = {MIMO Detection under Hardware Impairments: Learning with Noisy Labels},
author = {Jinman Kwon and Seunghyeon Jeon and Yo-Seb Jeon and H. Vincent Poor},
journal= {arXiv preprint arXiv:2306.05146},
year = {2023}
}