双选择性环境下基于 RNN 的信道估计
信息论
2023-07-10 v1 信号处理
math.IT
摘要
双选择性信道估计是保障无线系统通信可靠性的关键要素。由于动态环境中多径传播与多普勒干扰的影响，双选择性信道估计颇具挑战。传统的逐符号（SBS）与逐帧（FBF）信道估计方案因使用有限训练导频，在高移动性场景中性能退化。近来，深度学习（DL）被用于双选择性信道估计，其中长短期记忆（LSTM）与卷积神经网络（CNN）分别用于 SBS 与 FBF。然而其使用并非最优，因为 LSTM 存在长程记忆问题，而基于 CNN 的估计器需要高复杂度。为此，我们通过提出优化的基于循环神经网络（RNN）的信道估计方案克服这些问题，其中门控循环单元（GRU）与双向 GRU 分别用于 SBS 与 FBF 信道估计。所提估计器基于不同移动性场景下信道的平均相关性，给出了若干性能-复杂度折衷。此外，分析了若干 RNN 网络的性能。所提估计器相对于近期提出的基于 DL 的 SBS 与 FBF 估计器在不同场景下的性能优越性得以证实，同时复杂度显著降低。
引用
@article{arxiv.2307.03438,
title = {RNN Based Channel Estimation in Doubly Selective Environments},
author = {Abdul Karim Gizzini and Marwa Chafii},
journal= {arXiv preprint arXiv:2307.03438},
year = {2023}
}
备注
This paper has been submitted to the IEEE Transactions on Machine Learning in Communications and Networking (TMLCN). arXiv admin note: text overlap with arXiv:2305.00208