【文献学习】RoemNet: Robust Meta Learning based Channel Estimation in OFDM Systems

梦里梦外; 2022-11-14 10:07 178阅读 0赞

### 目录 ###

*  1 引言
 *  2 介绍
 *  3 模型
 *   *  3.1 第一部分
     *  3.2 第二部分
     *  3.3 第三部分
     *  3.4 关键原理
 *  4 模型参数
 *   *  4.1 DNN网络参数
     *  4.2 训练参数
     *  4.3 多径信道参数
 *  5 实验分析
 *  6 疑问和思考

# 1 引言 #

（1）针对DL网络的缺点：离线训练和在线部署的信道模型不一致会带来模型不可靠问题。提出了基于元学习的信道估计方法RoemNet。  
（2）RoemNet的最大特色是它包含一个元学习者，可以从不同信道的环境中学习。  
（3）随着元学习器的更新，RoemNet足够强大，可以仅使用少量导频来解决新的信道学习任务，从而解决在线部署与训练阶段使用的信道模型不一致的情况。  
（4）此外，RoemNet可以减轻多普勒扩展的影响，并显著提高不同信道环境下的误码率性能。

# 2 介绍 #

（1）LS缺点：它具有较高的均方误差率，并且容易受到噪声和载波间干扰（ICI）的影响  
（2）MMSE:理想的MMSE算法比LS估计器有更好的性能，但是它具有很高的计算复杂度。  
（3）深度学习模型缺点

> 《Ofdm- autoencoder for end-to-end learning of communications systems》一旦部署了网络，自动编码器的权重就保持不变。 这使得很难补偿实际信道条件的不匹配或波动。  
> 《Power of deep learning for channel estimation and signal detection in ofdm systems》在数据驱动中，需要训练大量的参数。这种基于深度学习的方法仍不适合随时间变化的无线多径衰落环境中的实际传输

（4）作者的Meta-learning来源于

> 《Dynamic core competences through meta-learning and strategic context》  
> 《A perspective view and survey of meta-learning,” Artificial Intelligence Review》

# 3 模型 #

将信道估计问题公式化为具有元学习的K个样本恢复问题，类似于机器学习中的小样本学习问题。ROMNet划分为三部分  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]

## 3.1 第一部分 ##

训练一个元网络来学习典型信道类型的一般特征。 它的参数不是通过传统的有监督学习方法随机初始化的，而是通过元学习器的方法来学习的

## 3.2 第二部分 ##

在时变信道上从OFDM系统发送和接收帧。 一帧数据中包含导频和信息。 将发送和接收端的导频分别保存为元网络的输入和输出，以进行进一步调整。

## 3.3 第三部分 ##

RoemNet使用收集的数据来更新参数，并通过执行随机梯度下降SGD的某些步骤来微调之前的网络

## 3.4 关键原理 ##

（1）能够适应新信道的关键原理  
当面对未知信道时，RoemNet可以使用K个导频通过K-shot SGD对网络进行微调。 RoemNet的核心是训练初始化参数，并借助新任务中的少量数据，通过几个渐变步骤来更新它们，以便在合适的空间进行调整，以便在新信道上快速学习。  
（2）梯度更新原理  
在训练期间，传统的基于标准监督学习的神经玩过每当出现梯度下降时都会更新参数。 但是RoemNet会首先使用公式  
![在这里插入图片描述][20210328120712597.png_pic_center]

计算所有损失函数的梯度。 接下来才根据求出来的此梯度更新参数，RoemNet就可以找到一组合适的初始参数，这些参数对于参数空间中的不同信道任务具有最佳的泛化能力  
（3）ROMNet中的DNN网络  
DNN由五层组成，其中三层是大小为64、128、64的隐藏层，使用RElu激活函数

# 4 模型参数 #

## 4.1 DNN网络参数 ##

导频数量K1=64  
初始步长 α1 = 0.003 ，固定步长α2 = 0.001  
Adam优化器

## 4.2 训练参数 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]

## 4.3 多径信道参数 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]

# 5 实验分析 #

（1）ROMNet比LS、MMSE算法效果好，原因是通道对失真的影响是非线性的，并且难以分析和公式化。而RoemNet使用深度学习网络，使其对无线多径衰落信道不敏感。  
（2）由于插入导频将导致能量转移，因此在导频辅助的OFDM系统中，最佳导频估计方案应使用最少数量的导频.相比传统算法，ROMNet仍然具有鲁棒性  
（3）对比纯DNN网络，RomNet的MSE远远低于DNN，原因是RomNet经过元训练的参数位于损失函数敏感的区域中。

# 6 疑问和思考 #

（1）元学习器的原理，作者是通过伪代码介绍的原理，没有看明白，需要阅读一下首次提出Meta-learning的论文和源码。  
**相关Meta-learning的文献**

> 【Learning to Demodulate from Few Pilots via Offline and Online Meta-Learning】  
> IEEE Transactions on Signal Processing  
> [论文地址][Link 1]  
> [源码][Link 2]

> \[Meta-Learning to Communicate: Fast End-to-End Training for Fading Channels\]  
> ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing  
> [论文地址][Link 3]  
> [源码][Link 4]

> 《Dynamic core competences through meta-learning and strategic context》  
> 《A perspective view and survey of meta-learning,” Artificial Intelligence Review》

（2）ROMNet的具体结构，作者没有详细介绍，ROMNet中DNN结构是五层，只提了一下前三层的神经元个数和使用的激活函数，就没有再介绍，所以复现是不太可能  
（3）根据我的理解，对于ROMNet能够适应新的信道，是线下训练能适应不同的信道，意思是说不用替换网络，更换了信道后，用该信道的数据训练网络后，也能实现很好解调效果。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/8aa79f1693e94c08b6ba7443ea77344e.png
[20210328120712597.png_pic_center]: /images/20221022/b75d387a37d442af8af77788c66ca9d9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221022/2b0f97b7179143da8b2c896d3847f43d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzkzNTY5Ng_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221022/725c394f8d7a409db0bda0b45ff2f051.png
[Link 1]: https://arxiv.org/pdf/1908.09049.pdf
[Link 2]: https://github.com/sangwoo-p/meta-demodulator?utm_source=catalyzex.com
[Link 3]: https://arxiv.org/pdf/1910.09945.pdf
[Link 4]: https://github.com/kclip/meta-autoencoder?utm_source=catalyzex.com