The orthogonal-time-frequency-space (OTFS) modulation has emerged as a promising modulation scheme for high mobility wireless communications. To harvest the time and frequency diversity promised by OTFS, some promising detectors, especially message passing based ones, have been developed by taking advantage of the sparsity of the channel in the delay-Doppler domain. However, when the number of channel paths is relatively large or fractional Doppler {shifts have} to be considered, the complexity of existing detectors is a concern, and the message passing based detectors may suffer from performance loss due to the short loops involved in message passing. In this work, we investigate the design of OTFS detectors based on the approximate message passing (AMP). In particular, {leveraging the unitary AMP (UAMP), we design new detectors that enjoy} the structure of the channel matrix and allow efficient implementation. In addition, the estimation of noise variance is incorporated into the UAMP-based detectors. Thanks to the robustness of UAMP relative to AMP, the UAMP-based detectors deliver superior performance, and outperform state-of-the-art detectors significantly. We also investigate iterative joint detection and decoding in a coded OTFS system, where the OTFS detectors are integrated into a powerful turbo receiver, leading to considerable performance gains.


翻译:orthodal- time- 频率- 空间调制( OTFS) 已经成为一个很有希望的高流动性无线通信调制方案。 为了收获OTFS承诺的时间和频度多样性,一些有希望的探测器,特别是信息传递基的探测器,是通过利用延迟- Doppler 域中频道的广度开发的。然而,当频道路径数量相对较大或小或多普勒{必须变换} 需要考虑时,现有探测器的复杂性是一个令人关切的问题,而且信息传递基探测器可能因信息传递过程中的短环而丧失性能。在这项工作中,我们调查基于大致传递信息(AMP)的 OTFS 探测器的设计。特别是,我们利用单一的AMP (UAM) 域域域域内的频道宽广,我们设计了新的探测器,享有频道矩阵的结构并能够高效实施。此外,对噪音差异的估计被纳入基于 UAMP 的探测器。由于UAMP 与AMP 的强性能度,基于 UAMP 的探测器提供高超度性能性能, 和超强的ODVAS- 系统也进行高超级的自动检测。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
9+阅读 · 2017年7月28日
Sequential Subspace Change-Point Detection
Arxiv
0+阅读 · 2021年4月9日
Arxiv
6+阅读 · 2020年10月8日
Precise Detection in Densely Packed Scenes
Arxiv
3+阅读 · 2019年4月8日
VIP会员
相关VIP内容
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
已删除
将门创投
9+阅读 · 2017年7月28日
Top
微信扫码咨询专知VIP会员