可扩展且自适应的深度MIMO接收机的模块化超网络
信息论
2024-08-23 v1 信号处理
math.IT
摘要
深度神经网络（DNN）已被证明可促进升入多输入多输出（MIMO）接收机的运行，新兴架构正在增强经典接收处理模块。当前设计考虑静态DNN，其架构固定且权重预先训练。这导致一个显著挑战，即 resulting MIMO receiver适用于给定配置，即信道分布和用户数量，而在实际中，这些参数会随网络变化和用户离网/加入而频繁变化。在本工作中，我们解决DNN辅助MIMO接收机的核心挑战。我们基于超网络的概念，增强了接收机，内置一个预训练的深度模型，其目的是在信道即时变化时更新DNN辅助接收机的权重。我们设计我们的超网络以增强模块化深度接收机，利用其模块性，使超网络不仅能适应权重，还能适应架构。我们的模块化超网络导致一个DNN辅助接收机，其架构和 resulting complexity适用于用户数量，除信道变化外，还能自适应。我们的numerical研究表明，与静态预训练接收机相比，模块化超网络在时变信道中实现了出色的误码率性能，同时提供了快速适应性和对网络变化的可扩展性。
引用
@article{arxiv.2408.11920,
title = {Modular Hypernetworks for Scalable and Adaptive Deep MIMO Receivers},
author = {Tomer Raviv and Nir Shlezinger},
journal= {arXiv preprint arXiv:2408.11920},
year = {2024}
}