OptComNet：用于低复杂度信道估计的优化神经网络
信号处理
2020-02-26 v1
摘要
利用机器学习方法应对具有挑战性的物理层信号处理任务已引起显著关注。在这项工作中，我们聚焦于使用神经网络（NNs）在 OFDM 系统中执行导频辅助信道估计，以避免估计信道协方差矩阵这一挑战性任务。特别地，我们对 NN 配置、量化和剪枝进行了系统性设计空间探索，以改进文献中通常用于信道估计任务的前馈 NN 架构。我们表明，选择恰当的 NN 架构对于降低 NN 辅助信道估计方法的复杂度至关重要。此外，我们证明，类似于其他应用与领域，谨慎的量化与剪枝可在性能退化可忽略的情况下带来显著的复杂度降低。最后，我们表明，使用针对不同的信噪比训练多个不同 NN 的方案，相比使用针对整个 SNR 范围训练的单一 NN，有趣地带来了更低的总体计算复杂度与存储需求，同时取得了更好的性能。
引用
@article{arxiv.2002.10493,
title = {OptComNet: Optimized Neural Networks for Low-Complexity Channel Estimation},
author = {Michel van Lier and Alexios Balatsoukas-Stimming and Henk Corporaaal and Zoran Zivkovic},
journal= {arXiv preprint arXiv:2002.10493},
year = {2020}
}
备注
To be presented at IEEE ICC 2020