用于通用 LLR 重构的 MIMO-OFDM 接收机神经增强

对更高吞吐量和成本效益无线通信日益增长的需求，推动了对既易于部署又对硬件损伤和非线性环境具有鲁棒性的接收机的需求。虽然经典的基于模型的接收机和最近提出的深度神经网络（DNN）架构提供了互补的优势，但它们要么依赖于简化的线性高斯假设，要么需要大量的计算资源，要么是针对特定设置和调制方式定制的。在这项工作中，我们提出了一种紧凑且模块化的 DNN 增强，它能够通用地改进现有接收机（基于模型或数据驱动）的软输出，解决两种不同的运行状态：由降低复杂度的检测器产生的结构不完整的软信息，以及由硬件损伤和同步错误引起的退化软输出。所提出框架的一个关键特性是其任务无关性：在不知道不可靠性具体来源的情况下运行，它产生适合信道解码的校准良好的对数似然比（LLR）。我们的设计利用了一个逐元素缩放的卷积神经网络，专门用于跨用户和相邻子载波执行学习到的干扰消除，并结合了一种鼓励为软信道解码提供准确 LLR 的训练算法。数值结果表明，所提出的增强在具有挑战性的信道条件下持续改进各种接收机算法，同时引入最小的开销。