科研之友
微信
新浪微博
Facebook
分享链接
摘要
人工智能(Artificial Intelligence, AI)技术在未来无线通信中将发挥重要作用，其中信道估计是一个典型的AI与无线通信的结合点。基于AI的信道估计技术可以显著提高估计性能，尤其是针对低信噪比和非线性信道的估计问题。然而，基于AI的方案具有泛化能力不足的通病，尤其是在信道估计这种变化频繁、标签难获得的场景。针对泛化问题，提出了结合迁移学习、联合训练和模型无关的元学习(Model-Agnostic Meta-Learning, MAML)的基于AI的信道估计方案，并以信道场景变换为例验证了上述三种方案的泛化以及迁移性能。结果表明，相比于不做任何处理，三种方案均可以提高信道估计的泛化性能，且随着微调次数的增加，性能增益也会变大。其中，基于MAML的方案以最少的微调次数实现了最高的信道估计精度，是一种非常有潜力的训练方案。
- 单位
