基于深度学习的同信道 OFDM 信号源分离的神经架构研究
信号处理
2023-06-28 v2 机器学习
摘要
我们研究涉及正交频分复用(OFDM)信号的单通道源分离问题,这类信号在许多现代数字通信系统中无处不在。相关努力已在单声道源分离中展开,其中采用了最先进的神经架构来训练用于音频信号(作为一维时间序列)的端到端分离器。在这项工作中,通过基于 OFDM 源模型的原型问题,我们评估并质疑了使用面向音频的神经架构来分离基于通信波形相关特征的信号的有效性。或许令人惊讶的是,我们证明在某些理论上可实现完美分离的配置中,这些面向音频的神经架构在分离同信道 OFDM 波形时表现不佳。然而,我们基于 OFDM 结构的见解,对网络参数化提出了关键的领域知情修改,可使性能提升约 30 dB。
引用
@article{arxiv.2303.06438,
title = {On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals},
author = {Gary C. F. Lee and Amir Weiss and Alejandro Lancho and Yury Polyanskiy and Gregory W. Wornell},
journal= {arXiv preprint arXiv:2303.06438},
year = {2023}
}