AI赋能的实时视距识别 via 网络数字孪生
信号处理
2025-05-22 v1
摘要
视距（LoS）条件的识别对于确保可靠的高频通信链路至关重要，这类链路特别容易受到遮挡和快速信道变化的影响。网络数字孪生（NDT）和射线追踪（RT）技术可以显著自动化大规模信道数据的采集与标注，使其适配特定的无线环境。本文研究了基于网络数字孪生生成的数据训练的人工智能模型的质量。我们提出并评估了一种通用深度学习模型的训练策略，其性能优于当前最先进方法。在分类准确率方面，本方法在极低信噪比条件下比最先进深度学习模型高出5%，在中高信噪比场景下高出约10%。此外，所提出的策略在保持性能的同时有效减小了深度学习模型的输入规模。计算成本（以推理时的浮点运算次数 FLOPs 衡量）相比最先进解决方案降低了98.55%，使其非常适合实时应用。
引用
@article{arxiv.2505.15478,
title = {AI-empowered Real-Time Line-of-Sight Identification via Network Digital Twins},
author = {Michele Zhu and Silvia Mura and Francesco Linsalata and Lorenzo Cazzella and Damiano Badini and Umberto Spagnolini},
journal= {arXiv preprint arXiv:2505.15478},
year = {2025}
}