基于贝叶斯优化的深度学习OFDM信道估计方法评估

《IEICE Transactions on Communications》：An evaluation of deep learning-based OFDM channel estimation using Bayesian optimization

　　

摘要：

深度学习是一种用于正交频分复用系统中信道估计的强大技术，其性能往往优于最小二乘估计后再进行线性插值的传统方法。尽管有这些优势，但它仍存在一个关键缺陷：在信道变化较小（即移动性低、延迟扩展小）且信噪比较高的环境中，深度学习估计算法的性能会下降，甚至低于简单的线性插值法。我们将这种性能下降现象归因于学习停滞，即极小的损失值会导致梯度趋近于零，从而使学习进展极为缓慢。为克服这一限制，我们提出采用贝叶斯优化方法来系统地调整模型的训练超参数。模拟结果表明，优化关键参数，尤其是L2正则化系数和小批量大小，能有效缓解学习停滞问题。这样一来，深度学习估计算法就能在输入变化极小的高信噪比恶劣环境下达到与线性插值法相当的性能，同时在其他所有条件下仍能保持其优异的性能。这项研究为基于深度学习的信道估计的应用范围提供了重要见解，并给出了一种拓展其应用范围的可靠方法。