Estimativa de Canal Baseada em Redes Adversariais Generativas para Sistemas MIMO Assistidos por Superfícies Reflexivas Inteligentes

A estimativa de canal é uma tarefa desafiadora em sistemas de comunicação assistidos por superfícies reflexivas inteligentes (IRS) devido à grande quantidade de elementos passivos do IRS. Recentemente, esquemas de estimativa de canal baseados em aprendizado profundo (DL) para sistemas de comunicação de múltiplas entradas e múltiplas saídas (MIMO) alcançaram sucesso notável. No entanto, o desempenho dos algoritmos de estimativa de canal ainda precisa ser aprimorado. Enquanto isso, as funções de perda nos métodos tradicionais baseados em DL não são bem projetadas e investigadas. Neste artigo, propomos um método de estimativa de canal baseado em uma variante de rede adversarial generativa (GAN) para melhorar a precisão da estimativa de canal. Especificamente, duas redes de DL são treinadas de forma adversarial com os sinais recebidos como entrada condicional para aprender uma função de perda adaptativa. Além disso, a variante de GAN também pode aprender o mapeamento dos sinais recebidos para os canais reais. Para melhorar a estabilidade do treinamento das GANs, uma função de perda é proposta para garantir a direção de otimização correta no treinamento do gerador. Para melhorar ainda mais o desempenho da estimativa, investigamos a influência do hiperparâmetro da função de perda sobre o desempenho do nosso modelo. Nossos extensos resultados de simulação mostram que o método proposto supera os métodos tradicionais baseados em DL e demonstra grande robustez.