[论文解读] Low Complexity Channel estimation with Neural Network Solutions

Dianxin Luan, John F. Thompson|arXiv (Cornell University)|Jan 24, 2022

Speech and Audio Processing被引用 15

一句话总结

该论文提出了一种低复杂度的残差卷积神经网络——插值-ResNet，用于OFDM下行链路信道估计。该网络通过用简单的插值层替代转置卷积层，显著降低了计算复杂度。与传统方法相比，其MSE性能得到提升，且相比ReEsNet-B参数量减少82%，在不同导频模式下具有灵活性，并在3GPP信道模型中表现出适中的泛化能力。

ABSTRACT

Research on machine learning for channel estimation, especially neural network solutions for wireless communications, is attracting significant current interest. This is because conventional methods cannot meet the present demands of the high speed communication. In the paper, we deploy a general residual convolutional neural network to achieve channel estimation for the orthogonal frequency-division multiplexing (OFDM) signals in a downlink scenario. Our method also deploys a simple interpolation layer to replace the transposed convolutional layer used in other networks to reduce the computation cost. The proposed method is more easily adapted to different pilot patterns and packet sizes. Compared with other deep learning methods for channel estimation, our results for 3GPP channel models suggest improved mean squared error performance for our approach.

研究动机与目标

• 解决高速无线系统中基于深度学习的信道估计方法计算复杂度过高的问题。
• 克服传统LS和MMSE方法在复杂、快速变化的传播环境中性能受限的局限性。
• 开发一种在不同3GPP信道模型（EPA、EVA、ETU）和导频模式下具有良好泛化能力的神经网络。
• 在不牺牲估计精度的前提下降低模型复杂度，尤其适用于实时部署。
• 通过架构简化，实现对不同导频模式和系统配置的灵活适应。

提出的方法

• 提出插值-ResNet，一种类似U-Net的残差架构，使用标准卷积层和可学习插值层，替代转置卷积层。
• 采用两阶段设计：首先通过残差块进行特征提取，随后通过插值操作从导频符号重建完整的信道矩阵。
• 使用简单的插值层替代去卷积层，显著降低参数量和计算成本。
• 在基于3GPP标准信道模型（EPA、EVA、ETU）生成的合成信道数据上，采用端到端反向传播进行网络训练。
• 应用神经网络剪枝技术进一步降低模型复杂度，并对剪枝率高达30%的情况进行了消融实验。
• 在多个信噪比范围（-5dB至25dB）和多普勒频移（0Hz至97Hz）下评估性能，以验证鲁棒性。

实验结果

研究问题

• RQ1 采用简化插值层的神经网络是否能在降低复杂度的同时，实现与现有深度学习方法相当或更优的MSE性能？
• RQ2 当仅在EPA信道上进行训练时，所提出的插值-ResNet在不同3GPP信道模型（EPA、EVA、ETU）上的泛化能力如何？
• RQ3 该模型在无需微调或超参数调整的情况下，对不同导频模式的适应能力如何？
• RQ4 神经网络剪枝在不降低估计精度的前提下，对进一步降低模型复杂度的有效性如何？
• RQ5 用插值层替代转置卷积层是否能显著减少参数量和推理成本？

主要发现

• 插值-ResNet在3GPP信道模型上相比传统LS和MMSE方法，实现了更优的均方误差（MSE）性能。
• 与ReEsNet-B相比，该模型参数量减少了82%，显著降低了计算复杂度。
• 在EPA信道上表现优异，当在EVA和ETU信道上测试时，在低信噪比范围（-5dB至0dB）下性能优于ReEsNet-B。
• 在EVA和ETU信道上的泛化能力有限，MSE性能显著下降，主要由于功率延迟剖面不匹配。
• 在不同导频模式下（包括48个导频的稀疏模式）均保持一致性能，无需重新调整超参数。
• 神经网络剪枝可将参数量最多减少97%（插值-ResNet-2F降至1,390个参数），但在高信噪比环境下，剪枝率超过10%时性能严重下降。