تخمین با سرآمد پایلوت کم کانال سیستم MIMO انبوه با کمک سطح بازتابی هوشمند بر اساس یادگیری عمیق

یکی از موضوعات رایج در تحقیقات مرتبط با سیستم های مخابراتی، تخمین کانال می باشد. اخیرا تخمین کانال سیستم MIMO انبوه چندکاربره مبتنی بر یادگیری عمیق در حضور سطح بازتابی هوشمند (IRS) ارائه شده است که در آن خطای باقیمانده از تخمین گر کلاسیک LS با استفاده از مدلسازی به روش حذف نویز تصویر و پیاده سازی با یادگیری عمیق کاهش داده شده است. در حالتی که تعداد عناصر IRS بیشتر باشد مشکل سرآمد پایلوت در روش فوق بوجود می آید. جهت حل مشکل فوق، در این مقاله با فرض وجود تزویج بین عناصر IRS، هنگام تخمین کانال، با غیر فعال کردن برخی عناصر IRS، تنها پایلوت متناظر با عناصر فعال IRS ارسال شده و کانال متناظر با روش LS تخمین زده می شود. با توجه به وجود اثر تزویج، بین کانال های متناظر با عناصر مجاور IRS همبستگی وجود دارد. بر این اساس با روش درونیابی خطی، تخمین اولیه کانال متناظر با عناصر غیرفعال را بدست می آوریم. ماتریس کانال حاصله تخمین اولیه از ماتریس کانال می باشد، برای بهبود بیشتر عملکرد تخمین از شبکه یادگیری عمیق CDRN استفاده می کنیم. نتایج شبیه سازی ها حاکی از بهبود عملکرد روش پیشنهادی نسبت به روش مرجع از دیدگاه کاهش سرآمد پایلوت و خطای تخمین است.

Keywords:

سیستم های چند ورودی چند خروجی , تخمین کانال , سطح بازتابی هوشمند , یادگیری عمیق , اثر تزویج