基于无训练神经网络的 OTFS 调制系统贝叶斯检测器
信号处理
2024-11-26 v1
摘要
正交时频空（orthogonal time frequency space, OTFS）符号检测器针对高移动性通信场景的设计近来受到大量关注。当前最先进的 OTFS 检测器主要可分为两类：迭代检测器和基于训练的深层神经网络（deep neural network, DNN）检测器。许多实用的迭代检测器依赖最小均方误差（minimum-mean-square-error, MMSE）去噪器获得初始符号估计。然而，其计算复杂度随被检测符号数量呈指数增长。基于训练的 DNN 检测器通常受限于训练阶段对大量计算资源的依赖以及合成数据集保真度的要求，二者均代价高昂。本文中，我们提出一种基于深度图像先验（deep image prior, DIP）与解码器架构的无训练 DNN，称为 D-DIP，用以替代迭代检测器中的 MMSE 去噪器。DIP 是一类无需训练的 DNN，使其在 OTFS 检测器设计中具有优势。随后我们提出将 D-DIP 去噪器与贝叶斯并行干扰消除（Bayesian parallel interference cancellation, BPIC）检测器结合以执行迭代符号检测，称为 D-DIP-BPIC。仿真结果表明，所提 D-DIP-BPIC 检测器的符号错误率（symbol error rate, SER）性能优于实用的最先进检测器 0.5 dB，且保持较低的计算复杂度。
引用
@article{arxiv.2305.04414,
title = {Untrained Neural Network based Bayesian Detector for OTFS Modulation Systems},
author = {Hao Chang and Alva Kosasih and Wibowo Hardjawana and Xinwei Qu and Branka Vucetic},
journal= {arXiv preprint arXiv:2305.04414},
year = {2024}
}