Recurrent Concatenation with Temporal Residuals for NR SRS Channel Estimation

다국어 초록 (Multilingual Abstract)

In this paper, we propose Temporal Progressive Refinement - Recurrent Concatenation Network (TPR-RCNet), a temporal progressive refinement architecture for Sounding Reference Signals (SRS) channel estimation in New-Radio (NR) systems. The proposed network leverages both the previously estimated channel from a Neural Network (NN) and the current channel information to progressively enhance estimation accuracy at the time instance. In addition, the temporal residual term enables the model to learn the difference between consecutive channels, thereby improving its ability to capture temporal variation in the channel. Conventional approaches that exploit temporal properties often rely on multiple-symbol channel inputs, which significantly increase model complexity. For unit-symbol-level estimation, recurrent-based methods are inherently standalone architectures, and their end-to-end sequential nature reduces flexibility for integration with other models. By contrast, the proposed TPR-RCNet offers a flexible framework that can be readily extended with various NN architectures, providing adaptability to different design requirements. In our simulations, the proposed TPR-RCNet outperforms baseline models, including unit-symbol-based and window-size-based channel estimation. Furthermore, the advantage of TPR-RCNet becomes more pronounced as it is applied progressively over consecutive time instances.

국문 초록 (Abstract)

본 논문에서는 New-Radio(NR) 시스템의 Sounding Reference Signals(SRS) 채널 추정을 위해 Temporal Progressive Refinement – Recurrent Concatenation Network (TPR-RCNet)을 제안한다. 제안하는 네트워크는 신경망 기반으로 이전 시점에서 추정된 채널과 현재 시점의 채널 정보를 함께 활용하여 단일 시간 인스턴스에서의 추정 정확도를 점진적으로 향상시킨다. 또한 시간 잔차(temporal residual) 항을 도입하여 연속된 시점 간 채널 차이를 학습함으로써 채널의 시간적 변화를 더욱 효과적으로 포착할 수 있다. 기존의 시간적 특성을 활용한 방법들은 대체로 다중 심볼 채널 입력에 의존하여 모델 복잡도가 크게 증가하며, 단일 심볼 수준의 추정을 목표로 하는 재귀 기반 기법은 본질적으로 독립 실행형 구조로 인해 다른 모델과의 통합 유연성이 제한된다. 반면 제안하는 TPR-RCNet은 다양한 신경망 아키텍처로 쉽게 확장 가능한 유연한 프레임워크를 제공하여 다양한 설계 요구사항에 적응할 수 있다. 시뮬레이션 결과, 제안된 TPR-RCNet은 단일 심볼 기반 및 윈도우 크기 기반 채널 추정 모델을 포함한 기준 기법들보다 우수한 성능을 보인다. 나아가 연속된 시간 인스턴스에 걸쳐 점진적으로 적용될수록 TPR-RCNet의 성능 우위가 더욱 두드러지게 나타난다.

목차 (Table of Contents)

• Ⅰ. Introduction 1
• Ⅱ. System model 7
• 1. SRS sequence generation and pilot arrangement 7
• 2. OFDM in channel estimation with Neural Networks 9
• 3. Temporal Correlation Channel 11
• Ⅲ. Preliminaries on Channel Estimation 13
• 1. Conventional Approach: LS & MMSE 13
• 2. NN-Based Approach: DNN & Autoencoder 14
• Ⅳ. Proposed a Code-Based Channel Estimation in the Temporal Domain 18
• 1. CDNN: Baseline Model 18
• 2. CCDNN: Temporal Window Model 21
• 3. TPR-RCNet: Progressive Refinement Model 24
• Ⅴ. Simulation Analysis 31
• 1. Simulation Environment 31
• 2. Simulation Results 35
• Ⅵ. Conclusion 43
• References 44
• Appendix 48
• Abstract in Korean(국문요지) 52