可重构AI模块辅助的信道估计与MIMO检测
信号处理
2024-01-30 v1
摘要
基于深度学习（DL）的信道估计（CE）和多输入多输出检测（MIMODet）作为两个独立的研究课题，已提供了令人信服的证据，证明了人工智能（AI）在接收机设计中的有效性和鲁棒性。然而，如何通过优化AI结构来统一CE和MIMODet，以实现接近最优的检测性能，例如广泛考虑的、性能可接近最大似然（ML）检测器的QR分解M算法（QRM），仍然是一个问题。在本文中，我们提出了一种AI接收机，它将CE和MIMODet连接为一个统一的架构。其优点是，CE和MIMODet仅采用结构化输入特征和常规神经网络（NN）进行离线端到端（E2E）训练。数值结果表明，通过采用简单的基于超分辨率的卷积神经网络（SRCNN）作为信道估计器，并采用领域知识增强的图神经网络（GNN）作为检测器，所提出的QRM增强型GNN接收机（QRMNet）实现了与接近最优的基线检测器相当的误块率（BLER）性能。
引用
@article{arxiv.2401.16141,
title = {Reconfigurable AI Modules Aided Channel Estimation and MIMO Detection},
author = {Xiangzhao Qin and Sha Hu and Jiankun Zhang and Jing Qian and Hao Wang},
journal= {arXiv preprint arXiv:2401.16141},
year = {2024}
}