面向基于模型的混合深度接收机的在线元学习
信息论
2023-02-14 v2 信号处理
math.IT
摘要
近年来，深度神经网络（DNNs）在接收机设计中的应用日益受到关注，其有望在复杂环境中不依赖信道模型知识而应用。然而，通信信道的动态特性常导致分布快速偏移，可能需周期性重训练。本文提出一种数据高效的两阶段训练方法，以促进快速在线适应。我们的训练机制采用预测式元学习方案，从对应于当前及过去信道实现的快速数据中训练。该方法适用于任何基于深度神经网络（DNN）的接收机，且不需为训练发送新导频数据。为阐明所提方法，我们研究了利用可解释基于模型架构的DNN辅助接收机，并引入基于预测式元学习的模块化训练策略。我们在合成线性信道、合成非线性信道及COST 2100信道上的仿真中展示了技术。结果表明，在快速变化场景中，所提在线训练方案使接收机在编码误码率上以最高2.5 dB的优势超越基于自监督与联合学习的先前技术。
引用
@article{arxiv.2203.14359,
title = {Online Meta-Learning For Hybrid Model-Based Deep Receivers},
author = {Tomer Raviv and Sangwoo Park and Osvaldo Simeone and Yonina C. Eldar and Nir Shlezinger},
journal= {arXiv preprint arXiv:2203.14359},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2103.13483