基于可复现通用数据集的神经网络信道估计与预测器评测
信息论
2019-12-03 v1 信号处理
math.IT
摘要
近来提出了一种低复杂度的基于神经网络的信道估计方法,其中将信道模型的假设融入了估计器的设计过程。与以往工作使用测量活动数据不同,我们利用 DeepMIMO 数据集可复现的毫米波环境来评估基于卷积神经网络(CNN)的信道估计器性能。我们进一步提出了一种基于神经网络的预测器,其由线性最小均方误差(LMMSE)预测器出发导出。我们首先推导了一组 LMMSE 预测器的加权和,其动机来自最优 MMSE 预测器的结构。该预测器为前馈神经网络预测器提供了初始化(权重矩阵、偏置与激活函数)。借助恰当学习的神经网络,我们表明在 DeepMIMO 数据集可复现的室内场景中,相较于基于 Jakes 假设底层多普勒谱的 LMMSE 预测器,可轻易取得更优性能。
引用
@article{arxiv.1912.00005,
title = {Reproducible Evaluation of Neural Network Based Channel Estimators And Predictors Using A Generic Dataset},
author = {Nurettin Turan and Wolfgang Utschick},
journal= {arXiv preprint arXiv:1912.00005},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1911.07256