Channel Estimation with Hierarchical Sparse Bayesian Learning for ODDM Systems
ODDM 系统中基于分层稀疏贝叶斯学习的信道估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕无线通信信道与二维稀疏信号恢复展开，未涉及所列经济学或金融细分领域，贝叶斯估计本身不足以支持归类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
ODDM 系统中基于分层稀疏贝叶斯学习的信道估计
- 研究问题
- 在高速移动通信场景中，如何缓解 ODDM 信道估计的时延与多普勒参数耦合，同时兼顾估计精度和计算复杂度？
- 方法与思路
- 作者在虚拟时延—多普勒网格上建立部分解耦的二维稀疏恢复模型，先作粗网格估计，再对候选路径区域进行离网精细估计。
- 材料陈述的贡献
- 摘要提出结合粗筛选与局部精细网格的分层稀疏贝叶斯框架，并称模拟中其性能超过传统离网方法且计算复杂度降低。
- 阅读关注点
- 应核对部分解耦是否引入近似误差、候选路径筛选如何避免遗漏，以及精度与运行成本比较采用的信道设置和基准实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出具体信道条件、复杂度数值及真实通信环境的验证结果。
原文摘要
Orthogonal delay-Doppler division multiplexing (ODDM) is a promising modulation technique for reliable communications in high-mobility scenarios. However, the existing channel estimation frameworks for ODDM systems cannot achieve both high accuracy and low complexity simultaneously, due to the inherent coupling of delay and Doppler parameters. To address this problem, a two-dimensional (2D) hierarchical sparse Bayesian learning (HSBL) based channel estimation framework is proposed in this paper. Specifically, we address the inherent coupling between delay and Doppler dimensions in ODDM by developing a partially-decoupled 2D sparse signal recovery (SSR) formulation on a virtual sampling grid defined in the delay-Doppler (DD) domain. With the help of the partially-decoupled formulation, the proposed 2D HSBL framework first performs low-complexity coarse on-grid 2D sparse Bayesian learning (SBL) estimation to identify potential channel paths. Then, high-resolution fine grids are constructed around these regions, where an off-grid 2D SBL estimation is applied to achieve accurate channel estimation. Simulation results demonstrate that the proposed framework achieves performance superior to conventional off-grid 2D SBL with significantly reduced computational complexity.