arXiv cs.AI· Dianxin Luan, John Thompson·· 10 小时前AI 评分24
通过设计训练数据实现抗多普勒效应的鲁棒信道估计神经网络
Achieving Robust Channel Estimation Neural Networks on Doppler effects by Designed Training Data
AI 导读
研究提出一套合成训练数据的设计准则，使离线训练的神经网络无需先验信息或在线训练即可在不同无线信道上精确估计信道，尤其适用于极高多普勒频移和不同多普勒频谱场景。仿真显示，不同复杂度的网络架构在未见过的功率延迟分布（PDP）和多普勒频移信道上均能保持稳定性能，泛化能力似乎与架构无关。
正文 · AI 翻译
摘要：信道估计在无线通信系统中至关重要。许多现有工作使用相同或相似的信道来训练和测试模型。然而，实际信道无限多样且时变，而数据驱动算法在新的、此前未见的信道上往往性能下降。这阻碍了神经网络在信道估计中的实际应用，尤其是在信道特性快速变化且多普勒频移极高的高速场景中。在线训练可以微调模型以适应新信道，但需要大量计算资源，并给物理层设备带来显著延迟。此外，在线训练无法穷尽所有可能的信道，因为可能的信道有无限多个。因此，我们研究了神经网络泛化到无线信道的能力。本文提出了生成合成训练数据的设计准则，保证所得网络在无线信道上表现稳健，尤其是对于极大多普勒频移和不同多普勒谱。它确保离线训练的神经网络无需先验信息或在线训练即可精确估计新信道。为证明普遍适用性，我们使用不同复杂度级别的神经网络，表明所实现的泛化似乎与架构无关。从仿真结果来看，神经网络在不同未见功率延迟分布（PDP）和多普勒频移的无线信道上达到一定性能。
| 主题： | 信号处理（eess.SP）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.14267 [eess.SP] |
| （或本版本的 arXiv:2611.14267v1 [eess.SP]） | |
| https://doi.org/10.48550/arXiv.2611.14267 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Dianxin Luan [查看邮箱]
[v1]
2026年11月10日星期二 16:11:11 UTC（420 KB）
来源：arXiv cs.AI · arxiv.org