D2D 链路中基于 AI 的信道预测:一项实证验证
信号处理
2022-06-17 v1
摘要
由人工智能(AI)推动的 Device-to-Device (D2D) 通信将是一项辅助技术,可改善系统性能并支持先进无线网络(5G、6G 及更后续)中的新业务。本文中,将基于 AI 的深度学习技术应用于工作于 5.8 GHz 的 D2D 链路,旨在为下列有关接收信号强度变化预测的疑问提供潜在解答:i) 预测作为信道相干时间的函数其有效性如何?以及 ii) 达到目标预测性能所需的最小输入样本数是多少?为此,考虑了多种测量环境与场景,包括室内开放办公区、室外开放空间、视距(LOS)、非视距(NLOS)及移动场景。探索了四种深度学习模型,即长短期记忆网络(LSTMs)、门控循环单元(GRUs)、卷积神经网络(CNNs)以及稠密或前馈网络(FFNs)。线性回归被用作基线模型。观察到 GRUs 与 LSTMs 性能相当,且二者均优于 CNNs、FFNs 与线性回归。这表明 GRUs 与 LSTMs 能更好地刻画 D2D 数据集中的时间依赖性。我们还就给定信道相干时间下产生所需性能的最小输入长度给出了建议。例如,为分别预测室内与室外 LOS 环境中未来 17 ms 与 23 ms,建议输入长度为 25 ms。这表明大部分学习是在信道相干时间内完成的,且较大的输入长度未必总是有益。
引用
@article{arxiv.2206.08346,
title = {AI-Based Channel Prediction in D2D Links: An Empirical Validation},
author = {Nidhi Simmons and Samuel B. Ferreira Gomes and Michel Daoud Yacoub and Osvaldo Simeone and Simon L Cotton and David E. Simmons},
journal= {arXiv preprint arXiv:2206.08346},
year = {2022}
}