典型文献
基于AI的信道估计的泛化性能提升方法
文献摘要：
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.
文献关键词：
泛化;无线通信;迁移学习;联合训练;MAML;微调
中图分类号：
作者姓名：
孙布勒;杨昂;孙鹏;姜大洁
作者机构：
维沃移动通信有限公司,北京100015
文献出处：
引用格式：
[1]孙布勒;杨昂;孙鹏;姜大洁-.基于AI的信道估计的泛化性能提升方法)[J].无线电通信技术,2022(04):652-657
A类：
B类：
信道估计,泛化性能,性能提升,提升方法,Artificial,Intelligence,无线通信,中信,结合点,高估,低信噪比,非线性信道,泛化能力,通病,迁移学习,联合训练,元学习,Model,Agnostic,Learning,MAML,道场,迁移性能,微调,估计精度,训练方案
AB值：
0.341235
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
