[论文解读] Blind Estimation of a Doubly Selective OFDM Channel: A Deep Learning Algorithm and Theory

Tilahun M. Getu, Nada Golmie+1 more|arXiv (Cornell University)|May 30, 2022

Advanced Wireless Communication Techniques被引用 5

一句话总结

本文提出了一种基于深度学习的盲信道估计算法，用于对双重选择性OFDM信道进行估计，无需导频符号，利用过参数化的ReLU前馈神经网络。该工作建立了首个使用高维概率与深度学习理论测试均方误差（MSE）性能的理论框架，在深度衰落条件下仍能实现鲁棒估计。

ABSTRACT

We provide a new generation solution to the fundamental old problem of a doubly selective fading channel estimation for orthogonal frequency division multiplexing (OFDM) systems. For systems based on OFDM, we propose a deep learning (DL)-based blind doubly selective channel estimator. This estimator does require no pilot symbols, unlike the corresponding state-of-the-art estimators, even during the estimation of a deep fading doubly selective channel. We also provide the first of its kind theory on the testing mean squared error (MSE) performance of our investigated blind OFDM channel estimator based on over-parameterized ReLU FNNs.

研究动机与目标

• 为解决高速5G/6G无线系统中双重选择性衰落带来的挑战，其中频率选择性和时间选择性导致严重的子载波间干扰（ICI）。
• 开发一种盲信道估计算法，消除对导频符号的需求，从而节省频谱资源。
• 提供在高维随机输入设置下，基于深度学习的盲估计性能的理论分析。
• 统一深度学习理论、高维概率与无线信号处理的洞见，实现鲁棒的OFDM信道估计。

提出的方法

• 采用过参数化的修正线性单元（ReLU）前馈神经网络（FNN）作为盲信道估计的回归模型。
• 在由双重选择性信道对OFDM信号进行滤波生成的随机输入上进行训练，无需已知的导频序列。
• 使用高维概率理论工具分析深度学习模型的泛化性能。
• 推导出网络输入向量范数低于某一阈值的概率下限，从而在模型与数据随机性下实现性能量化。
• 应用浓度不等式与高斯尾部界，刻画估计器的测试均方误差（MSE）。
• 通过大量计算机实验验证，比较了在各种信道条件与信噪比（SNR）水平下的性能表现。

实验结果

研究问题

• RQ1 基于深度学习的盲估计器是否能在不使用任何导频符号的情况下实现对双重选择性OFDM信道的准确估计？
• RQ2 在高维随机输入条件下，基于深度学习的盲估计器的理论测试MSE性能如何？
• RQ3 所提出估计器的性能如何随网络过参数化程度与信道随机性而变化？
• RQ4 高维概率与深度学习理论中的理论工具在无线信号处理问题中可应用到何种程度？
• RQ5 与最先进的导频辅助估计器相比，所提方法在频谱效率与估计精度方面表现如何？

主要发现

• 所提出的盲深度学习估计器在无需任何导频符号的情况下，即使在深度衰落条件下也能实现低测试均方误差（MSE）。
• 理论分析建立了输入向量范数保持在阈值以下的概率下限，从而在模型与数据随机性下实现性能量化。
• 推导出的MSE界表明，估计器性能对ReLU激活函数的固有随机性与随机输入具有鲁棒性。
• 大量仿真结果证实，所提方法在频谱效率方面优于传统导频辅助估计器，同时保持了具有竞争力的估计精度。
• 理论框架为深度学习在无线通信应用中的统一理论奠定了基础。
• 该方法在多种双重选择性信道条件下表现出强大的泛化性能，验证了其在5G与6G系统中的实际适用性。