Orthogonal Time Frequency Space (OTFS) is a novel framework that processes modulation symbols via a time-independent channel characterized by the delay-Doppler domain. The conventional waveform, orthogonal frequency division multiplexing (OFDM), requires tracking frequency selective fading channels over the time, whereas OTFS benefits from full time-frequency diversity by leveraging appropriate equalization techniques. In this paper, we consider a neural network-based supervised learning framework for OTFS equalization. Learning of the introduced neural network is conducted in each OTFS frame fulfilling an online learning framework: the training and testing datasets are within the same OTFS-frame over the air. Utilizing reservoir computing, a special recurrent neural network, the resulting one-shot online learning is sufficiently flexible to cope with channel variations among different OTFS frames (e.g., due to the link/rank adaptation and user scheduling in cellular networks). The proposed method does not require explicit channel state information (CSI) and simulation results demonstrate a lower bit error rate (BER) than conventional equalization methods in the low signal-to-noise (SNR) regime under large Doppler spreads. When compared with its neural network-based counterparts for OFDM, the introduced approach for OTFS will lead to a better tradeoff between the processing complexity and the equalization performance.

中文翻译：

---

学习均衡 OTFS

正交时频空间 (OTFS) 是一种新颖的框架，它通过以延迟多普勒域为特征的与时间无关的信道处理调制符号。传统波形正交频分复用 (OFDM) 需要随时间跟踪频率选择性衰落信道，而 OTFS 通过利用适当的均衡技术从全时频分集中受益。在本文中，我们考虑了一种用于 OTFS 均衡的基于神经网络的监督学习框架。引入的神经网络的学习在每个 OTFS 框架中进行，实现了在线学习框架：训练和测试数据集在同一个 OTFS 框架内无线传输。利用水库计算，一种特殊的循环神经网络，由此产生的一次性在线学习足够灵活，可以应对不同 OTFS 帧之间的信道变化（例如，由于蜂窝网络中的链路/秩自适应和用户调度）。所提出的方法不需要显式的信道状态信息 (CSI)，仿真结果表明，在大多普勒扩展下的低信噪 (SNR) 方案中，其误码率 (BER) 低于传统均衡方法。与基于神经网络的 OFDM 相比，引入的 OTFS 方法将在处理复杂性和均衡性能之间取得更好的平衡。所提出的方法不需要显式的信道状态信息 (CSI)，仿真结果表明，在大多普勒扩展下的低信噪 (SNR) 方案中，其误码率 (BER) 低于传统均衡方法。与基于神经网络的 OFDM 相比，引入的 OTFS 方法将在处理复杂性和均衡性能之间取得更好的平衡。所提出的方法不需要显式的信道状态信息 (CSI)，仿真结果表明，在大多普勒扩展下的低信噪 (SNR) 方案中，其误码率 (BER) 低于传统均衡方法。与基于神经网络的 OFDM 相比，引入的 OTFS 方法将在处理复杂性和均衡性能之间取得更好的平衡。