RCNet：在有限训练下将结构信息融入深度RNN用于MIMO-OFDM符号检测
信号处理
2020-03-17 v1 机器学习
摘要
本文研究基于学习的MIMO-OFDM符号检测策略，重点关注一种特殊的循环神经网络（RNN）——储备池计算（RC）。我们首先引入时频RC以利用OFDM信号固有的结构信息。以时域RC和时频RC为构建模块，我们提供浅层RC到RCNet的两种扩展：1）堆叠多个时域RC；2）将多个时频RC堆叠为深度结构。RNN动态、MIMO-OFDM信号的时频结构以及深度网络的结合使RCNet能够处理MIMO-OFDM信号的干扰与非线性失真，从而优于现有方法。与大多数现有基于NN的检测策略不同，RCNet即使在有限训练集下（即参考信号/训练量与标准基于模型的方法相近）也展现出良好的泛化性能。数值实验表明，所引入的RCNet可通过补偿MIMO-OFDM信号的非线性失真（如发射机功率放大器压缩或接收机有限量化分辨率所致）提供更快速的学习收敛，并相较浅层RC结构在误码率上获得多达20%的增益。
引用
@article{arxiv.2003.06923,
title = {RCNet: Incorporating Structural Information into Deep RNN for MIMO-OFDM Symbol Detection with Limited Training},
author = {Zhou Zhou and Lingjia Liu and Shashank Jere and Jianzhong and Zhang and Yang Yi},
journal= {arXiv preprint arXiv:2003.06923},
year = {2020}
}