arXiv cs.AI· Zihang Song, Matteo Zecchin, Bipin Rajendran, Petar Popovski, Osvaldo Simeone·· 12 小时前AI 评分18
EXT-ICLNet：用上下文学习替代信道估计的 MIMO Turbo 接收机
In-Context Learning for MIMO Turbo Receivers
AI 导读
研究者提出基于 Transformer 的检测器 EXT-ICLNet，将导频作为上下文示例，无需显式信道估计即可逼近符号外信息后验分布。该网络通过对数域先验跳连只学习外信息，可直接兼容现有 turbo 接收机。在 4×4 MIMO、16-QAM 与量化前端设置下，EXT-ICLNet 在低至中等 SNR 优于基于显式 CSI 估计的基线，在高 SNR 优于具备完美 CSI 的 EP 基线。
正文 · AI 翻译
摘要：多输入多输出（MIMO）Turbo 接收机在软输入软输出检测器与解码器之间迭代交换信息。传统实现依赖基于导频的信道估计，在导频序列较短或信道模型失配的情况下，这种估计可能很差，导致性能显著下降。为解决这一局限，我们提出了外信息上下文学习网络（EXT-ICLNet），这是一种基于 Transformer 的检测器，它将导频作为上下文示例，并被训练为在给定导频的情况下近似符号外后验分布，而无需显式信道估计。因此，EXT-ICLNet 与现有 Turbo 接收机兼容，因为它实现了一个对数域先验跳跃连接，确保网络只学习外信息。对于采用 16-QAM 和量化前端的 $4\times4$ MIMO 系统，数值结果表明，在中低信噪比（SNR）下，EXT-ICLNet 优于基于显式信道状态信息（CSI）估计的基线；在高信噪比下，也优于具有完美 CSI 的期望传播（EP）基线。通过比较 EXT-ICLNet、神经 EP 基线以及不带跳跃连接的 EXT-ICLNet 的外信息转移（EXIT）图，进一步验证了这些结果，展示了 EXT-ICLNet 如何提供更有利的先验信息与外信息转移。
| 主题： | 信号处理（eess.SP）；人工智能（cs.AI） |
| 引用为： | arXiv:2505.06175 [eess.SP] |
| （或此版本的 arXiv:2505.06175v2 [eess.SP]） | |
| https://doi.org/10.48550/arXiv.2505.06175 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zihang Song [查看电子邮件]
[v1]
2025年5月9日星期五 16:29:29 UTC（65 KB）
[v2]
2026年10月27日星期二 11:42:48 UTC（2,866 KB）
来源：arXiv cs.AI · arxiv.org