ReQuestNet：一种用于信道估计的基础学习模型
摘要
在本文中，我们提出了一种用于 5G 及未来通信系统信道估计（CE）的新型神经架构——循环等变 UERS 估计网络（ReQuestNet）。它融合了无线通信系统中的若干实际考量，例如能够处理可变数量的资源块（RB）、动态数量的传输层、物理资源块组（PRG）捆绑大小（BS）、解调参考信号（DMRS）模式，并采用单一统一模型，从而极大地简化了信道估计流程。此外，它还解决了传统线性 MMSE 解决方案的若干局限性，例如，通过独立于其他参考信号，特别是通过在接收端对未知预编码的 MIMO 层和不同预编码信道进行联合处理。ReQuestNet 由两个子单元组成：CoarseNet 和 RefinementNet。CoarseNet 执行每 PRG、每发射-接收（Tx-Rx）流的信道估计，而 RefinementNet 则通过整合不同预编码 PRG 之间的相关性以及多输入多输出（MIMO）信道空间维度（跨 MIMO）的相关性，来细化 CoarseNet 的信道估计。仿真结果表明，ReQuestNet 在广泛的信道条件和延迟-多普勒分布下，显著优于理想最小均方误差（MMSE）信道估计，在高信噪比下增益可达 10dB。值得注意的是，ReQuestNet 能有效泛化到未见过的信道分布，在动态 PRG 束大小和变化的传输层分配下，高效利用 PRG 间和跨 MIMO 的相关性。
引用
@article{arxiv.2508.08790,
title = {ReQuestNet: A Foundational Learning model for Channel Estimation},
author = {Kumar Pratik and Pouriya Sadeghi and Gabriele Cesa and Sanaz Barghi and Joseph B. Soriaga and Yuanning Yu and Supratik Bhattacharjee and Arash Behboodi},
journal= {arXiv preprint arXiv:2508.08790},
year = {2025}
}
备注
Accepted at IEEE Globecom 2025. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works