Cet article souligne l'importance de l'estimation de canal en radio cognitive et met en évidence les avantages des méthodes d'estimation de canal existantes basées sur les réseaux neuronaux. Étant donné que les méthodes existantes sont entraînées et testées uniquement sur des canaux spécifiques ou similaires, elles présentent un problème de faible performance de généralisation à de nouveaux canaux. Dans cet article, nous proposons une conception de réseau neuronal basée sur l'apprentissage hors ligne qui affiche des performances robustes, même dans des environnements où l'apprentissage en temps réel est difficile. Nous présentons des critères de conception pour générer des ensembles de données synthétiques garantissant une certaine erreur quadratique moyenne (MSE) sans information préalable sur le canal. Sur cette base, nous proposons une conception de référence garantissant un fonctionnement intelligent sous différents profils de canal. Grâce à des simulations utilisant des réseaux neuronaux de complexité variable, nous montrons que les performances de généralisation de la méthode proposée sont indépendantes de l'architecture du réseau neuronal.
