基于超网络的非平稳信道预测框架
信号处理
2024-01-17 v1
摘要
为了突破现代无线通信网络的发展瓶颈，一个关键问题是高移动性场景中信道状态信息 (CSI) 的过时问题。通常，非平稳 CSI 具有随时间变化的统计特性，这意味着数据分布随时间连续变化。这种时间分布偏移行为破坏了准确的信道预测，且在相关文献中仍是一个未决问题。本文提出了一种基于超网络的非平稳信道预测框架。该框架旨在随着无线信道的变化动态更新神经网络 (NN) 参数，以自动适应各种输入 CSI 分布。基于此框架，我们专注于低复杂度超网络设计，并提出了一种基于深度学习 (DL) 的信道预测方法，称为 LPCNet，该方法以可接受的复杂度提高了 CSI 预测精度。此外，为了最大化可实现的下行链路频谱效率 (SE)，开发了一种联合信道预测和波束成形 (BF) 方法，称为 JLPCNet，旨在预测 BF 向量。我们的数值结果展示了所提框架的有效性和灵活性，并证明了 LPCNet 和 JLPCNet 在固定和变化用户速度的各种场景中的优越性能。
引用
@article{arxiv.2401.08338,
title = {A Hypernetwork Based Framework for Non-Stationary Channel Prediction},
author = {Guanzhang Liu and Zhengyang Hu and Lei Wang and Hongying Zhang and Jiang Xue and Michail Matthaiou},
journal= {arXiv preprint arXiv:2401.08338},
year = {2024}
}