利用生成先验增强量化系统中的信道估计

Apr, 2024

利用生成先验增强量化系统中的信道估计

Enhancing Channel Estimation in Quantized Systems with a Generative Prior

Benedikt Fesl, Aziz Banna, Wolfgang Utschick

TL;DR通过利用高斯混合模型作为一位量化信号传导环境的通道分布的生成先验，我们提出了一种改进基于期望最大化算法的经典估计技术的方法，借此提高量化系统中通道估计的性能表现。数值结果表明，我们提出的方法相较于简单的高斯先验和当前最先进的通道估计器，具有显著的性能改进。此外，所提出的估计框架还能够适应更高分辨率系统和其他生成先验。

Abstract

channel estimation in quantized systems is challenging, particularly in low-resolution systems. In this work, we propose to leverage a Gaussian mixture model (GMM) as generative prior, capturing the channel distr

channel estimation quantized systems gaussian mixture model expectation-maximization algorithm one-bit quantization

发现论文，激发创造

基于扩散的低复杂度 MIMO 信道估计的生成先验模型

基于扩散模型的信道估计器结合了轻量级卷积神经网络和位置嵌入技术，通过学习稀疏角度域中的信噪比信息，避免了随机重采样和截断逆扩散步骤来提高估计性能。与利用生成先验的最新信道估计器相比，该方法具有更低的复杂性和内存开销。

Mar, 2024

高斯混合模型的量子期望最大化

本研究提出一个基于量子算法的 EM 算法版本，用于解决高维 Gaussian 混合模型拟合问题，相较于传统算法有更快的收敛速度和更高的精度，并且能够推广到指数族分布，提供同样的计算保障。

Aug, 2019

混合噪声和条件深度推理网络的后验估计

通过期望最大化算法，我们提出使用条件归一化流来近似后验概率，在贝叶斯逆问题中联合估计后验和噪声参数，应用于间接测量和纳米计量领域，该模型能够整合多种测量信息。

Feb, 2024

基于深度学习的分布式 MIMO 及 1 比特光纤前传信道估计

在分布式大规模多输入多输出 (MIMO) 架构中，我们考虑了试点辅助的上行信道估计问题，其中接入点通过光纤前传链路将接收到的模拟射频信号的两级量化版本连接到中央处理单元。我们在该架构中采用了由 Nguyen 等人 (2023) 最近提出的基于深度学习的信道估计算法，并探索该算法对接入点中的自动增益控制器 (AGCs) 和比较器引入的附加信号失真 (1 比特量化之外的失真) 的鲁棒性。这些组件用于从接收信号生成两级模拟波形。通过模拟结果，我们表明所提出的信道估计方法明显优于 Bussgang 线性最小均方误差信道估计器，并且对于由 AGCs 和比较器引入的附加损坏具有鲁棒性。

Jun, 2024

利用变分生成对抗网络从观测中学习随机信道模型逼近虚空

本研究提出使用变分生成对抗网络来解决无线信道建模中的问题，可以精确地捕捉随机的信道响应，并且可以在一系列真实信道分布上优化性能。

May, 2018

一维高斯混合模型参数估计问题的傅里叶方法

该研究提出了一种新颖的算法用于估计一维高斯混合模型的参数，利用傅里叶数据中的 Hankel 结构，解决了方差和组分数量同时的问题；同时揭示了有限独立同分布样本情况下，估计高斯混合模型的组分数量的基本极限，并验证了算法在似然度、AIC 和 BIC 等方面比 EM 算法表现更好。

Apr, 2024

具有单比特 ADC 的空时相关大规模 MIMO 系统的信道估计

本文提出了一种自适应频道估计技术，考虑到大规模 MIMO 系统的空间和时间相关性，使用一位 ADC，将 Bussgang 分解线性化，采用卡尔曼滤波估计相关性通道，实现了低复杂度的截断多项式扩展通道估计器，数值结果表明，所提出的频道估计器可以显著提高频道估计的准确性。

Oct, 2019

高斯混合模型和神经网络的高效一次迭代学习算法

本文提出了一种基于高斯混合模型（Gaussian Mixture Model，GMM）的学习算法，相比经典的期望最大化（Expectation Maximization，EM）算法，该算法具有更高的鲁棒性和简易性，提高了准确性，仅需 1 次迭代进行学习。我们在理论上证明了该新算法无论参数初始化如何，都能保证收敛。与神经网络中的经典概率层相比，我们比较了 GMM 扩展方法，证明其更好地克服了数据不确定性和逆问题。最后，我们测试了基于 GMM 的生成器，展示了进一步应用的潜力，能够利用分布随机抽样进行随机变异和变异控制。

Aug, 2023

宽带毫米波 MIMO 系统中的少位 ADC 信道估计

本文提出一种基于广泛的角度和时间延迟域的毫米波多输入多输出（MIMO）系统的信道估计算法，该算法利用了信道的关节稀疏性，在采用少位模拟数字转换器（ADCs）的情况下解决量化压缩感知问题。我们设计了一种训练序列，使得这些算法的实现效率很高，同时最小化了发射机峰均功率比。通过详细的仿真研究，我们发现这种方法使得 1-bit ADCs 在低信噪比下可以与无限位 ADCs 相媲美，而 4-bit ADCs 在中等信噪比下可以与无限位 ADCs 相媲美。

Oct, 2016

基于评分的生成模型的量化压缩感知

该研究提出了一种称之为 QCS-SGM 的无监督数据驱动方法，它利用事先训练好的 SGM 建模先验分布，引入噪声扰动偏似然得分结合 SGM 先验得分，通过后验采样来进行量化压缩感知恢复，可以应用于任意数量的量化位，能够显著超越现有的同类算法，也容易用于获取重建结果的置信区间或不确定性估计。

Nov, 2022