基于神经网络的车载信道估计性能：训练集中噪声的影响
机器学习
2025-02-12 v1 人工智能
摘要
车载通信系统因高速移动性和快速变化的环境面临重大挑战，这些因素影响信号传播的信道。为此，已建议采用基于神经网络（NN）的信道估计方法。这些方法主要在高信噪比（SNR）条件下训练，假设在较低噪声条件下训练 NN 可获得良好的泛化能力。本研究 examines 基于混合 SNR 数据集训练 NN 信道估计器的效果，与仅在高 SNR 数据集上训练进行比较，这一做法在若干相关研究中已见于。本文评估的信道估计器包括：一种使用卷积层和自注意力机制的架构；一种采用时序卷积网络和数据 pilot 辅助估计的方法；两种将经典方法与多层感知机组合的方法；以及当前最先进的结合长短期记忆网络（LSTM）与数据 pilot 辅助和时序平均方法作为后处理的模型。我们的结果表明，仅使用高 SNR 数据进行训练并非总是最佳选择，训练数据集中的 SNR 范围应作为可调整的超参数，以获得更佳性能。这一结论通过某些模型在混合 SNR 数据集上训练后在低 SNR 条件下的表现优于仅在高 SNR 数据集上训练的模型得以说明。
引用
@article{arxiv.2502.06824,
title = {Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set},
author = {Simbarashe Aldrin Ngorima and Albert Helberg and Marelie H. Davel},
journal= {arXiv preprint arXiv:2502.06824},
year = {2025}
}
备注
11 pages, 5 Figures