一种用于MIMO信道分析中多径分量聚类的马氏距离度量与监督学习框架
信息论
2022-06-29 v1 信号处理
math.IT
摘要
由于多径分量(MPCs)在实验中观察到以簇的形式出现,基于簇的信道模型已成为无线信道研究的重点。然而,大多数针对具有MPC时延和角度信息的MIMO信道的MPC聚类算法都基于距离度量,该度量量化两个MPC的相似性并确定首选簇形状,极大影响MPC聚类质量。本文提出一种用于MIMO信道分析中MPC聚类的马氏距离度量通用框架,无需用户指定参数。值得注意的是,流行的多径分量距离(MCD)被证明是所提距离度量框架的特例。此外,引入两种机器学习算法,即用于聚类的弱监督马氏度量和有监督大间隔最近邻,来学习该距离度量。为评估有效性,基于3GPP空间信道模型提出一种修正信道模型以生成具有时延和角度信息的簇状MPC,因为原始3GPP空间信道模型(SCM)无法评估聚类质量。实验结果表明,所提距离度量能显著提升现有聚类算法的聚类质量,而学习阶段仅需极为有限的MPC标注工作。
引用
@article{arxiv.2110.08768,
title = {A Framework of Mahalanobis-Distance Metric with Supervised Learning for Clustering Multipath Components in MIMO Channel Analysis},
author = {Yi Chen and Chong Han and Jia He and Guangjian Wang},
journal= {arXiv preprint arXiv:2110.08768},
year = {2022}
}
备注
13 pages