正交时频空(Orthogonal Time Frequency Space, OTFS)调制技术凭借对多普勒频移的优良抗性,保证了高动态场景下的可靠性通信。与大多数OTFS信号检测方案相比,基于深度学习(Deep Learning, DL)的OTFS检测器不需要耗费高额的导频能量,以...正交时频空(Orthogonal Time Frequency Space, OTFS)调制技术凭借对多普勒频移的优良抗性,保证了高动态场景下的可靠性通信。与大多数OTFS信号检测方案相比,基于深度学习(Deep Learning, DL)的OTFS检测器不需要耗费高额的导频能量,以此获得精确的信道状态信息。基于多维输入的卷积神经网络(Convolutional Neural Networks, CNN)和一维输入的深度神经网络(Deep Neural Networks, DNN),搭建了OTFS信号检测模型,并结合OTFS的输入输出关系,以模型驱动,提出一种部分输入方法。与数据驱动DL相比,该方法沿时延轴截断输入数据,仅向网络输入与待检测信号相关性强的部分接收信号。该方法不仅减小了数据驱动CNN和DNN的训练参数量,降低了训练复杂度,而且检测性能也不弱于传统的线性最小均方误差(Linear Minimum Mean Square Error, LMMSE)算法。展开更多
