未训练神经网络在 MIMO 信道状态信息重建中的迁移学习能力
信号处理
2021-11-16 v1 机器学习
摘要
面向无线通信的机器学习（ML）应用已在 5G 高级及更后续版本的标准化讨论中获得关注。实际部署 ML 的最大挑战之一在于需要带标签的信号和大规模测量活动。为克服这些问题，我们提出使用未训练神经网络（UNN）进行 MIMO 信道重建/估计与低开销上报。UNN 通过拟合少量信道测量来学习传播环境，我们利用其学到的先验以提供更高的信道估计增益。此外，我们提出了一种用于多用户或多个用户设备（UE）位置同时信道重建的 UNN，其中在估计信道增益与参数数量之间存在权衡。我们的结果表明，迁移学习技术在获取关于环境结构所学先验方面是有效的，因为它们为邻近用户提供了更高的信道增益。此外，我们指出了 UNN 的欠参数化如何进一步实现低开销的信道状态信息（CSI）上报。
引用
@article{arxiv.2111.07858,
title = {Transfer Learning Capabilities of Untrained Neural Networks for MIMO CSI Recreation},
author = {Brenda Vilas Boas and Wolfgang Zirwas and Martin Haardt},
journal= {arXiv preprint arXiv:2111.07858},
year = {2021}
}
备注
to be published