.png){kind=icon}
返回
Generative Diffusion Receivers: Achieving Pilot-Efficient MIMO-OFDM Communications
.png){kind=icon}
OA
AI
DOI：10.1109/TNSE.2026.3657967.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文聚焦于无线多输入多输出（MIMO）-正交频分复用（OFDM）接收机。传统无线接收机依赖数学建模和贝叶斯推理，在大多数领域取得了显著成功，但在表征信道矩阵方面的能力有限。神经网络（NN）在此方面展现了巨大潜力。然而，将传统推理方法与神经网络相结合存在挑战，尤其是在追踪误差进展方面。鉴于无线系统中噪声的不可避免性，对噪声更具鲁棒性的生成模型正获得越来越多的关注。本文提出采用扩散模型重新评估MIMO-OFDM接收机，这是一种常见的生成方法。通过扩散模型，我们可以有效利用信道矩阵的先验知识，并融入传统信号估计组件。具体而言，我们探索了扩散系统，并引入一种想象-筛选策略以引导去噪过程。此外，扩散模型能够使用同一神经网络适应不同噪声水平和导频方案，显著降低训练和部署成本。仿真结果表明，在每64子载波块4-6个导频密度和-4 dB至0 dB信噪比（SNR）范围内，所提出的接收机相比领先深度学习模型可将信道重构误差降低最多两倍，且在低导频条件下观察到最显著改进。此外，增大想象规模可实现性能提升，尽管计算复杂度有所增加。
Keyword:
Channel estimation
diffusion model
MIMO
OFDM
wireless receiver
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
Joint Channel Estimation and Signal Detection for MIMO-OFDM: A Novel Data-Aided Approach With Reduced Computational OverheadMIMO-OFDM中联合信道估计与信号检测：一种新颖的数据辅助方法，具有降低计算开销的特点
PREAI
分享收藏Deep Transfer Learning-Based Downlink Channel Prediction for FDD Massive MIMO Systems基于深度转移学习的FDD大规模MIMO系统下行信道预测
OAAI
OAAI分享收藏分享收藏Xu, S., Zhang, J., Xu, Y., Li, C., Yang, L., 2025. Brownian bridge-based diffusion channel denoising for ISAC massive MIMO systems. IEEE Trans. Cognit. Commun. Networking. 11(2), 764-776. https://doi.org/10.1109/TCCN.2025.3537103.徐, S., 张, J., 徐, Y., 李, C., 杨, L., 2025. 基于布朗桥的扩散信道去噪方法用于ISAC大规模MIMO系统. IEEE 期刊. 认知通信与网络. 11(2), 764-776. https://doi.org/10.1109/TCCN.2025.3537103..png)
IF0
PREAI
分享收藏Enhancing Physical Layer Communication Security Through Generative AI with Mixture of Experts通过专家混合的生成式人工智能提升物理层通信安全性
PREAI
分享收藏分享收藏
查看更多内容