Learning-Based Precoding for Zak-OTFS

Naveed Bin Nazir

doi:10.1109/lcomm.2026.3716739

2026-07-24

PRE

Naveed Bin Nazir

A. Chockalingam

DOI：10.1109/lcomm.2026.3716739

原文链接

原文求助

摘要

En 中文

近期为Zak-OTFS提出的扭曲卷积（TC）预编码器通过最大化每载波信干噪比（SINR）使接收端实现单抽头均衡。该预编码器在目标抽头周围存在明显的泄漏，限制了性能。本通信分两阶段解决此问题。首先，在发射端，我们提出了两种基于学习的TC预编码器，即基于梯度扰动的学习（GBPL）预编码器和基于液体神经网络的（LNN）预编码器，它们比SINR最大化预编码器更能抑制泄漏，其中LNN预编码器产生最强的定位。其次，在接收端，与将信道估计和符号检测任务分开的常规接收机不同，我们设计了一个轻量级卷积神经网络（CNN），通过同时去噪接收帧和抑制残余泄漏来联合执行两项任务。分数时延-多普勒信道的仿真结果表明，所提出的预编码器优于SINR最大化预编码器，且CNN接收机通过有效处理剩余泄漏提供了额外的性能提升。

Keyword:

Zak-OTFS modulation

delay-Doppler domain

twisted convolution precoding

gradient-based learning

liquid neural networks

1-tap equalization

CNN-based receiver