针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neur...针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。展开更多
随着6G技术对数据传输速率的高要求,超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output,XL-MIMO)系统的应用前景广泛。然而,XL-MIMO系统中的近场球面波前特性使得传统基于平面波前的信道估计方法不再适用,从...随着6G技术对数据传输速率的高要求,超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output,XL-MIMO)系统的应用前景广泛。然而,XL-MIMO系统中的近场球面波前特性使得传统基于平面波前的信道估计方法不再适用,从而影响信道状态信息(Channel State Information,CSI)的获取。为了解决这一问题,提出了一种新的信道估计方案,分析了XL-MIMO的近场球面波特性,并将其与适用于高速移动场景的正交时频空间(Orthogonal Time Frequency Space,OTFS)调制技术结合,构建了一个考虑球面波特性的XL-MIMO OTFS系统框架。此外,利用模型驱动的思想设计了一种可学习的去噪近似消息传递(Learned Denoising Based Approximate Message Passing,LDAMP)算法,用于有效估计信道状态信息。仿真结果表明,所提出的XL-MIMO OTFS信道估计框架在近场高速移动场景下具有显著的性能提升和良好的鲁棒性。在信噪比为20 dB时,LDAMP算法的归一化均方误差达到10^(-2),相比传统算法提高了多个数量级。展开更多
文摘针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。
文摘随着6G技术对数据传输速率的高要求,超大规模多输入多输出(Extremely Large-scale Multiple-Input Multiple-Output,XL-MIMO)系统的应用前景广泛。然而,XL-MIMO系统中的近场球面波前特性使得传统基于平面波前的信道估计方法不再适用,从而影响信道状态信息(Channel State Information,CSI)的获取。为了解决这一问题,提出了一种新的信道估计方案,分析了XL-MIMO的近场球面波特性,并将其与适用于高速移动场景的正交时频空间(Orthogonal Time Frequency Space,OTFS)调制技术结合,构建了一个考虑球面波特性的XL-MIMO OTFS系统框架。此外,利用模型驱动的思想设计了一种可学习的去噪近似消息传递(Learned Denoising Based Approximate Message Passing,LDAMP)算法,用于有效估计信道状态信息。仿真结果表明,所提出的XL-MIMO OTFS信道估计框架在近场高速移动场景下具有显著的性能提升和良好的鲁棒性。在信噪比为20 dB时,LDAMP算法的归一化均方误差达到10^(-2),相比传统算法提高了多个数量级。
