EACE-DM：基于Transformer强化条件扩散模型的环境感知信道估计

《IEEE Transactions on Wireless Communications》：EACE-DM: Environment-Aware Channel Estimation Via Transformer-Empowered Conditional Diffusion Model

在衰落环境中，传统信道估计方法（如LS和LMMSE）未充分利用先验信道分布。本文提出环境感知的扩散模型（EACE-DM），通过环境信息条件化指导扩散模型，分解为环境识别模块（利用DM正向过程加噪LS估计，反向过程结合MAP后验估计识别环境）和信道估计模块（基于识别的环境优化去噪）。仿真表明EACE-DM显著降低跨环境NMSE，计算复杂度增幅可控。

　　

摘要：

在衰落环境中进行信道估计可以被视为一个典型的统计估计问题。其最优性能依赖于信道系数的先验分布，而这些系数是特定于环境的。然而，传统的信道估计器（如最小二乘（LS）和线性最小均方误差（LMMSE）估计器）并未充分利用信道的先验分布规律。为了解决这一限制，我们提出使用条件扩散模型（DM）来实现环境感知的信道估计，该方法被称为EACE-DM。在该框架中，环境信息被作为条件纳入，以指导EACE-DM从不同环境中学习信道的隐藏特征。训练好的EACE-DM在功能上被分解为两个部分：环境识别模块和信道估计模块。环境识别模块首先利用DM的正向过程将LS信道估计扩散到一个含噪声的样本中，然后根据候选环境执行DM的反向去噪过程，从含噪声的信道中恢复LS估计值。接着通过最大后验（MAP）估计方法将这些恢复的估计值与真实的LS估计值进行比较，从而识别出环境。最后，利用识别出的环境来指导信道估计模块，对LS估计值进行去噪处理。数值模拟表明，与传统的估计器和现有的基于DM的方法相比，所提出的EACE-DM在各种环境中显著降低了信道估计的归一化均方误差（NMSE），同时计算复杂度仅有适度增加。