A Universal Deep Neural Network for Signal Detection in Wireless Communication Systems

最近，深度学习（DL）已成为无线通信中信道估计和信号检测的一种有前途的方法。现有研究大多关注于分析仅由一个信道分布生成的信道脉冲响应，例如加性白噪声信道和瑞利信道。实际上，为了应对无线信道的动态特性，DL方法必须重新训练，使用新的非老化数据，这是昂贵、低效和不切实际的。为了解决这一挑战，本文提出了一种新颖的通用深度神经网络（Uni-DNN），它可以在各种无线环境中实现高检测性能，而无需重新训练模型。特别地，我们提出的Uni-DNN模型由无线信道分类器和信号检测器构成，两者均使用DNN构建。无线信道分类器使信号检测器能够泛化并在多种无线信道分布下表现最佳。此外，为了进一步提高所提出模型的信号检测性能，我们采用了卷积神经网络。使用正交频分复用方案进行的广泛模拟表明，我们提出的解决方案的误比特率性能可以优于传统的DL方法以及最小二乘和最小均方误差信道估计器在实际低导频密度情况下的性能。

本论文旨在解决无线通信中信道估计和信号检测的问题，尤其是针对动态无线信道的情况下，如何避免重新训练模型的成本和效率问题。

本文提出了一种新的通用深度神经网络(Uni-DNN)模型，由信道分类器和信号检测器两部分组成，能够在多种无线信道分布下实现高检测性能，避免了重新训练模型的成本和效率问题。

本文采用了卷积神经网络来进一步提高信号检测性能，并使用正交频分复用方案进行了广泛的模拟实验。结果表明，Uni-DNN模型的误比特率性能优于传统的DL方法以及最小二乘和最小均方误差信道估计器，在实际低导频密度场景下具有更好的性能。

近年来，DL技术在无线通信领域的应用越来越受到关注。已有的研究大多集中在分析从单一信道分布生成的信道脉冲响应，如加性白噪声信道和瑞利信道。