大规模 MIMO 系统中用于信道估计的一次性学习
信号处理
2023-06-12 v1
摘要
在传统的基于监督深度学习的信道估计算法中,需要大量训练样本进行离线训练。然而,在实际通信系统中,难以针对每个信噪比(SNR)获取信道样本。此外,这些深度神经网络(DNN)的泛化能力通常较差。在这项工作中,我们提出了一种用于多输入多输出(MIMO)系统信道估计的一次性自监督学习框架。离线训练所需样本数量少,且我们的方法可直接部署以适应可变信道。我们的框架由传统信道估计模块和去噪模块组成。去噪模块基于一次性学习方法 Self2Self 设计,并采用伯努利采样生成训练标签。此外,我们进一步利用盲点策略和 dropout 技术避免过拟合。仿真结果表明,所提出的一次性自监督学习方法的性能非常接近监督学习方法,同时对不同信道环境获得了改进的泛化能力。
引用
@article{arxiv.2306.05759,
title = {One-shot Learning for Channel Estimation in Massive MIMO Systems},
author = {Kai Kang and Qiyu Hu and Yunlong Cai and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2306.05759},
year = {2023}
}