Uma Estimação de Canal Baseada em Aprendizado Auto-Supervisionado para Comunicação Auxiliada por Superfícies Refletoras Inteligentes sem Verdade de Base

O aprendizado profundo (DL) é um paradigma emergente para estimativa precisa de canal em sistemas de comunicação sem fio auxiliados por superfícies refletoras inteligentes (IRS). Foi comprovado que é uma maneira promissora de alcançar um melhor desempenho de estimativa de canal para o sistema de comunicação sem fio auxiliado por IRS do que os métodos tradicionais (por exemplo, algoritmos de mínimos quadrados). No entanto, os métodos baseados em DL existentes dependem de verdades de base (rótulos dos verdadeiros canais), que são difíceis de obter em redes reais. Neste artigo, propomos um método de aprendizado auto-supervisionado (SSL) para o problema de estimativa de canal IRS. Nenhuma canal de verdade de base é necessária no treinamento, enquanto é apresentada uma fórmula simples e nova de denoising auto-supervisionado sem um sinal de referência limpo. Particularmente, na fase de treinamento, o sinal auto-supervisionado e a entrada são o vetor de sinal recebido e sua versão com ruído, respectivamente. Enquanto na fase de inferência a entrada é o canal estimado utilizando o método de mínimos quadrados e a saída é a estimativa de canal refinada. Ou seja, nosso algoritmo de estimativa de canal baseado em rede neural não é recíproco para treinamento e teste. Demonstramos que a solução SSL proposta apresenta bom desempenho de convergência e capacidade de generalização através de simulações numéricas. Curiosamente, encontramos um fenômeno de “dupla descida” na curva de aprendizado durante a fase de teste, ou seja, quando aumentamos gradualmente o número de épocas de treinamento, o desempenho primeiro melhora, depois piora, e em seguida melhora novamente. Além disso, propomos analisar o SSL usando a paisagem de perda e o método de alinhamento de núcleo centralizado. Os resultados mostram que o modelo auto-supervisionado tem uma paisagem de perda semelhante e similaridade representacional ao modelo supervisionado. Exploramos os efeitos de diferentes razões sinal-ruído (SNRs), diferentes tamanhos de redes neurais e diferentes volumes de dados de treinamento em nosso algoritmo através de simulações numéricas. Resultados extensivos de simulação numérica mostram que nosso algoritmo SSL ainda é competitivo sem verdade de base. Também mostramos que o esquema desenvolvido exibe robustez à incompatibilidade da razão SNR.