Channel Estimation for Underwater Visible Light Communication: A Sparse Learning Perspective

要約

可視光信号の水中伝播環境は、吸収、シャドーイング、反射などの複雑な要因の影響を受けるため、効果的な水中可視光通信 (UVLC) チャネル推定を達成することは非常に困難です。
UVLC チャネルを時間領域と周波数領域でスパースに表現することは困難です。これにより、スパース信号処理技術を使用してチャネル推定のパフォーマンスを向上させる可能性が制限されます。
この目的のために、この論文では、伝搬リンクの距離ドメインにおける水中可視光チャネルの希薄性を十分に活用することにより、圧縮センシング (CS) ベースのフレームワークを確立します。
スパース回復問題を解決し、より正確な UVLC チャネル推定を達成するために、スパース学習ベースの水中可視光チャネル推定 (SL-UVCE) スキームを提案します。
具体的には、おおよそのメッセージ パッシング (AMP) の古典的な反復スパース回復アルゴリズムを模倣したディープ アンフォールディング ニューラル ネットワークが採用され、AMP の反復が異なる学習可能なパラメーターを持つ一連のレイヤーに分解されます。
既存の非 CS ベースおよび CS ベースのスキームと比較して、提案されたスキームは、特に不十分な測定パイロットや多数のマルチパス コンポーネントなどの厳しい条件で、チャネル推定の精度の優れたパフォーマンスを示します。

要約(オリジナル)

The underwater propagation environment for visible light signals is affected by complex factors such as absorption, shadowing, and reflection, making it very challengeable to achieve effective underwater visible light communication (UVLC) channel estimation. It is difficult for the UVLC channel to be sparse represented in the time and frequency domains, which limits the chance of using sparse signal processing techniques to achieve better performance of channel estimation. To this end, a compressed sensing (CS) based framework is established in this paper by fully exploiting the sparsity of the underwater visible light channel in the distance domain of the propagation links. In order to solve the sparse recovery problem and achieve more accurate UVLC channel estimation, a sparse learning based underwater visible light channel estimation (SL-UVCE) scheme is proposed. Specifically, a deep-unfolding neural network mimicking the classical iterative sparse recovery algorithm of approximate message passing (AMP) is employed, which decomposes the iterations of AMP into a series of layers with different learnable parameters. Compared with the existing non-CS-based and CS-based schemes, the proposed scheme shows better performance of accuracy in channel estimation, especially in severe conditions such as insufficient measurement pilots and large number of multipath components.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google