[论文解读] Model-Driven Deep Learning for Joint MIMO Channel Estimation and Signal Detection.

Hengtao He, Chao-Kai Wen+2 more|arXiv (Cornell University)|Jul 22, 2019

Wireless Signal Modulation Classification参考文献 28被引用 15

一句话总结

该论文提出了一种模型驱动的深度学习框架，用于联合MIMO信道估计与信号检测（JCESD），其中通过展开迭代算法并引入可训练参数来设计信号检测器，从而实现在有限数据下的快速训练。该方法在传统迭代检测器的基础上表现出更优的性能和鲁棒性，尤其在低信噪比（SNR）和信道相关性失配条件下表现突出。

ABSTRACT

In this paper, we investigate the model-driven deep learning (DL) for joint MIMO channel estimation and signal detection (JCESD), where signal detection considers channel estimation error and channel statistics while channel estimation is refined by detected data and takes the signal detection error into consideration. In particular, the MIMO signal detector is specially designed by unfolding an iterative algorithm and adding some trainable parameters. Since the number of trainable parameters is much fewer than the data-driven DL based signal detector, the model-driven DL based MIMO signal detector can be rapidly trained with a much smaller data set. Furthermore, the proposed signal detector can be extended to soft-input soft-output detection easily. Based on numerical results, the model-driven DL based JCESD scheme significantly improves the performance of the corresponding traditional iterative detector and the signal detector exhibits superior robustness to signal-to-noise ratio (SNR) and channel correlation mismatches.

研究动机与目标

• 为解决传统迭代检测器在MIMO系统中的局限性，特别是其对信噪比（SNR）变化和信道相关性失配的敏感性。
• 通过将物理信道模型嵌入网络架构，降低基于深度学习的MIMO检测对数据和训练的需求。
• 设计一种联合估计与检测框架，统一优化信道估计误差与信号检测误差。
• 实现软输入软输出检测，以提升迭代接收链路中的性能。
• 以极少的可训练参数实现高性能，增强泛化能力并降低过拟合风险。

提出的方法

• 通过展开迭代检测算法并引入可训练参数于迭代步骤中，构建信号检测器，以优化估计结果。
• 模型驱动设计将信道统计特性和估计误差模型整合到检测器中，提升对不完美信道状态信息的鲁棒性。
• 利用检测到的数据迭代地优化信道估计过程，形成反馈回路以提升估计精度。
• 架构设计支持扩展为软输入软输出检测，适用于迭代检测与译码应用。
• 与数据驱动的深度学习检测器相比，可训练参数数量显著减少，从而在较小的训练数据集下实现更快收敛。
• 通过同时考虑误差传播与统计信道知识，联合优化信道估计与信号检测。

实验结果

研究问题

• RQ1 模型驱动的深度学习在低信噪比（SNR）条件下如何提升MIMO联合信道估计与信号检测的鲁棒性？
• RQ2 与传统迭代方法相比，将信道统计特性与估计误差引入检测器架构在多大程度上提升了性能？
• RQ3 模型驱动检测器是否能在显著减少参数数量与训练数据量的前提下，实现与数据驱动方法相当或更优的性能？
• RQ4 在MIMO系统中常见的信道相关性失配条件下，该方法表现如何？
• RQ5 所提出的检测器能否高效扩展以支持软输出操作，从而用于迭代接收链路？

主要发现

• 所提出的基于模型驱动的深度学习JCESD方案在误比特率（BER）性能方面显著优于传统迭代检测器。
• 检测器对信噪比（SNR）变化表现出卓越的鲁棒性，在低SNR水平下仍能保持高性能。
• 该方法对信道相关性失配具有高度鲁棒性，是传统检测技术的显著优势。
• 由于参数量极少，模型驱动检测器实现了快速收敛，且所需训练数据远少于数据驱动的深度学习检测器。
• 该框架天然支持软输入软输出检测，可无缝集成到先进接收机架构中。
• 数值结果证实，结合误差感知设计的联合优化估计与检测过程，显著提升了系统的整体可靠性与准确性。