.png){kind=icon}
返回
.png){kind=icon}
.png){kind=icon}
.png){kind=icon}
摘要
En 中文
基于学习的检测器在面向大规模多输入多输出（MIMO）系统的开发中，由于问题本身的高维度特性所带来的固有复杂性而受到阻碍。为提升可扩展性，大多数先前研究采用了模型驱动的方法，将深度神经网络（DNNs）整合到现有的迭代检测框架中。然而，这些方法通常缺乏灵活性，且涉及巨大的计算复杂度。在本文中，我们提出了一种纯数据驱动的学习型大规模MIMO检测器ChannelNet，以克服这些局限性。ChannelNet通过引入信道嵌入层和按天线共享的特征处理器来利用MIMO系统的固有对称性。这些模块保持了天线排列的等变性，并使ChannelNet能够以较低的计算复杂度高效扩展到大量天线和高调制阶数，具体为$\mathcal{O}(N_{t}N_{r})$，其中$N_{t}$和$N_{r}$分别表示发射和接收天线的数量。理论上，ChannelNet能够以任意精度逼近任何连续排列对称函数，以及在任意连续信道分布下的最优最大似然检测（ML）函数。经验评估表明，ChannelNet在不同天线数量、调制方案和信道分布下均持续优于或达到当前最优检测器的性能，同时显著降低了计算开销。本研究突显了纯数据驱动设计在推进大规模MIMO系统高效且可扩展检测器方面的潜力。
Keyword:
Massive MIMO
data-driven detector
permutation equivariance
universal approximation
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
分享收藏分享收藏
查看更多内容