.png){kind=icon}
返回
Generative Diffusion-Based Bayesian Modeling for Universal Channel Estimation
.png){kind=icon}
PRE
AI
DOI：10.1109/JSAC.2025.3648954.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
新一代无线网络中频带带宽的增长催生了多种无线通信场景，并凸显了无线通信系统在不同场景下通用能力所面临的挑战，尤其是信道估计模块。本文提出了一种名为条件隐式扩散信道生成模型（C-LCGM）的大模型，用于学习不同无线通信场景下的信道状态信息（CSI）分布，以形成基于贝叶斯建模的信道估计方案（BMCE），实现通用信道估计。BMCE通过生成参考CSI并映射到各场景的最优信道估计神经网络，从而进行通用信道估计。具体在C-LCGM中，我们提出将CSI压缩为隐式编码，并设计条件扩散模型以根据信道状态信息的大尺度参数（LSP）作为条件来建模隐式编码的分布。进一步在BMCE中，我们提出将C-LCGM部署在中心服务器上，并设计超网络参数生成模块（PGM），根据上报的LSP将C-LCGM生成的CSI映射到基站（BS）的信道估计网络。本文推导了C-LCGM和BMCE的设计原理和训练损失。我们还进行了大量仿真以验证C-LCGM和BMCE的性能。仿真结果表明，BMCE借助C-LCGM生成近似真实CSI的高质量CSI，能够在不同和新型场景下实现最优信道估计性能。复杂度分析表明，BMCE能够满足无线通信系统的时延要求。
Keyword:
Channel estimation
wireless communication environment
diffusion model
hyper-network
期刊
IF:
17.2
论文数:
6.4K
被引数:
3.1W
机构
引用论文
.png){kind=icon}
Deep Learning for Joint Channel Estimation and Signal Detection in OFDM Systems深度学习在OFDM系统信道估计与信号检测中的联合应用
OAAI
OAAI分享收藏
查看更多内容