在大规模MIMO网络中，通过使用最少的导频符号来降低信道估计过程中的归一化均方误差

《Scientific Reports》：Reducing normalized mean square error during channel estimation using minimum pilot symbols in massive MIMO network

　　

摘要

深度学习技术已成为无线通信系统应用领域中一项令人兴奋的创新。在本研究中，采用了基于深度学习的全连接神经网络（DL-FCNN）和卷积神经网络（CNN）模型，通过使用最少的导频符号数量来估计信道系数，从而确定信道状态信息。研究结果将导频符号的长度和小区间干扰作为估计信道系数的主要因素。实验表明，所提出的深度学习方法在测量归一化均方误差（NMSE）方面优于传统的最小二乘（LS）和最小均方误差（MMSE）技术，NMSE被视为一种损失函数或信道估计误差。此外，在多小区蜂窝网络中存在导频污染以及不同水平的小区间干扰情况下，深度学习方法也能取得更好的性能。总之，深度学习模型可以高效地应用于大规模MIMO网络中的信道估计操作和物理层信号处理。