في عالم اتصالات البيانات الحديثة، يعتبر تقدير القنوات الدقيق عاملاً أساسياً في أنظمة مضاعفة الترددات المتعامدة (OFDM). للأسف، الطرق التقليدية مثل تقدير الحد الأدنى من متوسط الخطأ التربيعي (LMMSE) تتطلب إحصائيات من الدرجة الثانية يصعب جمعها في الواقع.

لكن لم تعد هذه المشكلة قائمة، حيث تم تقديم طرق جديدة تعتمد على الشبكات العصبية العميقة (DNN) لتحسين تقدير القنوات، رغم أنها غالباً ما تعاني من تعقيد في عمليات الاستدلال. هذا هو المكان الذي يبرز فيه البحث الجديد الذي يقدم نموذج A-MMSE، الذي يعتمد على فلاتر MMSE المعززة بالاهتمام.

نموذج A-MMSE يتجاوز التحديات التقليدية، حيث يتعلم فلتر MMSE الخطي من خلال استخدام Attention Transformer، مما يسمح له بأداء تقدير القنوات من خلال عملية خطية واحدة دون الحاجة إلى تفعيل غير خطية خلال الاستدلال، مما يؤدي إلى تقليل التعقيد الحسابي.

لتعزيز كفاءة التعلم، تم تطوير مشفر اهتمام ثنائي المرحلة يلتقط بنية الترابط الزمني والترددي لقنوات OFDM. كذلك، تم تقديم ملحق يتكيف مع الرتبة ويضبط رتبة الفلتر عند وقت النشر، مما يمكّن العمليات من التكيف مع أجهزة الاستقبال ذات الموارد المحدودة.

تظهر المحاكاة العددية أن نموذج A-MMSE يتفوق بشكل مستمر على الأساليب التقليدية في مجموعة متنوعة من حالات نسبة الإشارة إلى الضوضاء (SNR). بصورة خاصة، يوفر نموذج A-MMSE وملحقه القابل للتكيف تحسناً ملحوظاً في علاقة الأداء بالتعقيد، مما يعكس تقدماً كبيراً في تقدير القنوات في أنظمة OFDM.