Enhancing Channel Estimation in Quantized Systems with a Generative Prior

在量化系统中进行信道估计是一项具有挑战性的任务，特别是在低分辨率系统中。在本文中，我们提出利用高斯混合模型（GMM）作为生成先验来捕捉传播环境的信道分布，以增强基于期望最大化（EM）算法的经典估计技术，从而实现一位量化。因此，针对量化接收信号推断出最负责的混合成分的最大后验估计（MAP），随后将其作为侧面信息在EM算法中使用。数值结果表明，我们提出的方法比简单的高斯先验和当前最先进的信道估计器都有显著的性能提升。此外，所提出的估计框架对于更高分辨率系统和其他生成先验具有适应性。

本文试图解决低分辨率量化系统中信道估计的挑战，提出一种基于高斯混合模型的估计方法，以提高当前基于EM算法的估计方法的性能。

本文的关键思路是利用高斯混合模型作为生成先验，捕捉信道在传播环境中的分布，为量化接收信号推断最负责的混合成分的最大后验概率（MAP）估计，然后将其作为辅助信息用于EM算法中。这种方法在实验中取得了显著的性能提升，并且具有适应更高分辨率系统和其他生成先验的能力。

本文的亮点包括：使用高斯混合模型作为生成先验的创新思路；在实验中展示了显著的性能提升；提出的估计方法具有适应性强的特点；适用于更高分辨率系统和其他生成先验的情况。

最近的相关研究包括：1. One-Bit Quantized Channel Estimation via Low-Rank Matrix Completion；2. Gaussian Mixture Model-Based Channel Estimation for One-Bit Quantization；3. One-Bit Compressive Sensing with Non-Gaussian Prior Distributions。