MMJan, 2024
关于深度学习辅助符号检测器在不同条件和不完美信道知识下的鲁棒性
On the Robustness of Deep Learning-aided Symbol Detectors to Varying Conditions and Imperfect Channel Knowledge
Chin-Hung Chen, Boris Karanov, Wim van Houtum, Wu Yan, Alex Young...
TL;DR本文主要研究了 BCJRNet 算法在不同类型的信道条件下的性能表现，发现 BCJRNet 在学习噪声信道数据和存在不完美信道衰减特性的情况下，在稳定传输场景中显著优于传统的 BCJR 算法。然而，在信道快速变化的情况下，这种优势会逐渐减弱。此外，研究还发现传统的 BCJR 算法和 BCJRNet 算法都对内存假设非常敏感，在衰减缓慢的信道中，对内存估计的低估会严重降低它们的性能。最后，我们还结合了信道衰减和内存知识的不完美性，发现传统的 BCJR 算法在被低估内存条件下具有更好的性能，而 BCJRNet 算法则在准确内存知识水平提高时表现出持续改进的性能。