Deep Learning Based Channel Estimation in High Mobility Communications Using Bi-RNN Networks

要約

タイトル：双方向RNNネットワークを用いた高機動通信における深層学習ベースのチャネル推定

要約：
・多重経路伝播とドップラー干渉の影響により、双方向選択チャネル推定はダイナミックな環境では困難になる。
・従来のチャネル推定手法では、限られたトレーニングパイロットの使用により、高機動のシナリオで性能低下が発生する。
・深層学習（DL）を使用することで、CNNネットワークを使用した双方向選択チャネル推定に取り組まれているが、高い複雑度により実際のケースでは実用的ではない。
・提案された双方向再帰型ニューラルネットワーク（Bi-RNN）ベースのチャネル推定器は、グルーユニットを使用してエンドツーエンドの補間を行い、高機動シナリオにおいて双方向選択チャネルを正確に推定する。
・広範な数値実験により、開発されたBi-GRU推定器が異なる機動シナリオで最近提案されたCNNベースの推定器を大幅に上回り、全体的な計算複雑度を大幅に削減することが示された。

要約(オリジナル)

Doubly-selective channel estimation represents a key element in ensuring communication reliability in wireless systems. Due to the impact of multi-path propagation and Doppler interference in dynamic environments, doubly-selective channel estimation becomes challenging. Conventional channel estimation schemes encounter performance degradation in high mobility scenarios due to the usage of limited training pilots. Recently, deep learning (DL) has been utilized for doubly-selective channel estimation, where convolutional neural network (CNN) networks are employed in the frame-by-frame (FBF) channel estimation. However, CNN-based estimators require high complexity, making them impractical in real-case scenarios. For this purpose, we overcome this issue by proposing an optimized and robust bi-directional recurrent neural network (Bi-RNN) based channel estimator to accurately estimate the doubly-selective channel, especially in high mobility scenarios. The proposed estimator is based on performing end-to-end interpolation using gated recurrent unit (GRU) unit. Extensive numerical experiments demonstrate that the developed Bi-GRU estimator significantly outperforms the recently proposed CNN-based estimators in different mobility scenarios, while substantially reducing the overall computational complexity.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI