آشكارسازي عميق MIMO در حضور خطاي تخمين كانال

Deep MIMO Detection with Imperfect CSI

ظرفيت سيستم ­هاي مخابرات بي­سيم را مي­توان با بكار بردن چند آنتن در فرستنده و چند آنتن در گيرنده به نحو قابل‌ملاحظه‌اي افزايش داد. در چنين سيستم­هايي، كه MIMO نام دارند، گيرنده با دانشي كه از كانال دارد، به آشكارسازي سيگنال ارسالي مي­پردازد. روش­ هاي مختلفي براي آشكارسازي بهينه و زيربهينه سمبل­هاي ارسالي پيشنهاد شده است. اخيراً مفاهيم يادگيري عميق و استفاده از شبكه­ هاي عصبي به‌منظور آشكارسازي در حد بهينه و حجم محاسبات كمتر در فرآيند تست، در مقايسه با ساير روش­ هاي سنتي پيشين، بكار گرفته شده است. درصورتي‌كه اطلاعات كانال در گيرنده با خطا همراه باشد، كارايي اين نوع آشكارساز كاهش يافته و درنتيجه نرخ خطاي بيت افزايش مي­يابد. با توجه به اينكه در عمل، گيرنده تخميني از كانال ميان فرستنده و گيرنده را در اختيار دارد و نه مقدار دقيق آن را، مقاله حاضر روشي بهبوديافته براي آشكارسازي مبتني بر يادگيري عميق و مقاوم در برابر خطاي تخمين كانال، پيشنهاد مي­كند. در اين روش آشكارسازي با استفاده از ماتريس كوواريانس تخمين­گر كانال و استفاده از مفاهيم يادگيري عميق، يك آشكارساز مقاوم در برابر خطاي تخمين كانال پيشنهاد و به‌صورت تحليلي مورد بررسي قرار گرفته است. نتايج شبيه‌سازي مبين كارايي روش پيشنهادي در سيستم‌هاي MIMO است.

It is possible to noticeably increase the capacity of wireless communication systems through the use of multiple antennas both in the transmitter and in the receiver. In such systems, which are referred to in short as MIMO, the receiver uses its knowledge of the channel to detect the transmitted signal. Different methods have been proposed for optimal and sub-optimal detection of the transmitted signals. Recently, principles of deep learning and implementing neural networks have been employed as a near optimal approach for MIMO detection with fewer calculations during the testing process compared to traditional methods. In the event an error occurs in the receiver’s channel estimation process, this type of detector suffers a drop in performance and as a result, BER will increase. Given that in practice, the receiver only has an estimation of the CSI instead of the exact values, the current study presents an enhanced detection method based on deep learning, which is also robust against channel estimation error. In this detection method, by using the covariance matrix of the channel estimator and the principles of deep learning, a robust detector against channel estimation error is proposed and comprehensively evaluated. Numerical simulations confirm the performance of the proposed method.