面向5G及下一代通信的循环等变信道估计网络ReQuestNet

《IEEE Transactions on Machine Learning in Communications and Networking》：ReQuestNet: A Foundational Learning model for Channel Estimation

　　

摘要：

本文提出了一种面向5G及下一代通信的新型神经架构，用于信道估计（CE），即循环等变用户设备参考信号（UERS）估计网络（ReQuestNet）。该架构将无线通信系统中的多项实际考量纳入模型，包括：处理可变数量的资源块（RB）、动态数量的发射层、物理资源块组（PRG）捆绑大小（BS），以及解调参考信号（DMRS）图案，从而通过单一统一模型大幅简化信道估计流程。此外，它解决了传统线性最小均方误差（MMSE）方案的若干局限性，例如不依赖于其他参考信号（RS），并且特别地能够在接收端对多输入多输出（MIMO）层以及具有未知预编码的不同预编码信道进行联合处理。ReQuestNet由两个子单元组成：CoarseNet和RefinementNet。CoarseNet执行逐PRG、逐发射-接收（Tx-Rx）流的信道估计，而RefinementNet通过引入不同预编码PRG之间的相关性以及MIMO信道空间维度之间的相关性（跨MIMO相关性）来细化CoarseNet的信道估计结果。仿真结果表明，ReQuestNet在广泛的信道条件和延迟-多普勒谱条件下显著优于借助理想信息的线性MMSE信道估计器，在高信噪比（SNR）下可实现高达10dB的增益。值得注意的是，ReQuestNet能够有效地泛化到未见过的信道环境，在动态PRG捆绑大小和变化的发射层分配条件下，高效利用PRG间相关性和跨MIMO相关性。