维纳滤波与基于循环神经网络的二维信道估计在V2X通信中的对比
信息论
2021-05-24 v2 math.IT
摘要
我们将基于神经网络(NN)的信道估计的潜力与经典的基于线性最小均方误差(LMMSE)的估计器（也称为维纳滤波）进行比较。为此，我们提出了一种低复杂度的基于循环神经网络(RNN)的估计器，其基于独立的时间域和频率域长短期记忆(LSTM)单元，允许对一串信道观测进行信道均衡。受车辆到一切(V2X)应用的启发，我们仿真了具有正交频分复用(OFDM)的时选和频选信道，并扩展了我们的信道模型，使得能够模拟从视距(LoS)到非视距(NLoS)条件的连续退化。结果表明，基于NN的系统不仅能与LMMSE均衡器竞争，而且可以针对系统参数失配的鲁棒性进行训练。我们由此展示了这种数据驱动系统设计的概念简洁性，因为这不仅增强了对例如信噪比(SNR)或多普勒扩展估计失配的鲁棒性，还允许在更广的输入参数范围内使用同一均衡器而无需重新构建（或重新估计）滤波器系数。我们特别注重确保与现有IEEE 802.11p V2X通信导频方案兼容。最后，将载荷数据符号作为额外的均衡器输入可释放进一步的性能增益。我们展示了在高度动态信道条件下，若采用这种数据增强均衡方案，相对于传统LMMSE均衡具有显著增益。
引用
@article{arxiv.2102.03163,
title = {Wiener Filter versus Recurrent Neural Network-based 2D-Channel Estimation for V2X Communications},
author = {Moritz Benedikt Fischer and Sebastian Dörner and Sebastian Cammerer and Takayuki Shimizu and Bin Cheng and Hongsheng Lu and Stephan ten Brink},
journal= {arXiv preprint arXiv:2102.03163},
year = {2021}
}
备注
Accepted at 32nd IEEE Intelligent Vehicles Symposium