面向多面板天线阵列的无杂质 AI/ML 辅助波束选择
统计方法学
2026-02-24 v1 应用统计
摘要
AI/ML 基于位置信息的波束选择方法能够有效降低波束训练开销。然而，具有不同尺寸、方向、信 codebook、元素图案和极化角度的异构天线硬件限制了其可行性和泛化能力。这一挑战需要一种在这些变异下仍然有效的无杂质模型，或为每种配置开发许多模型，这在实际中既不可行又昂贵。本文提出一种统一的 AI/ML 辅助波束选择算法，通过预测独立于天线配置的无线传播特性来支持天线异构性。我们推导一种参考信号接收功率 (RSRP) 模型，将传播特性从天线配置中解耦。我们提出一种优化框架，从波束化 RSRP 测量中提取包含到达角 (AoA)、发射角 (AoD) 以及整合路径增益和信道去极化的矩阵的传播变量。我们开发了一个三阶段自回归网络，从用户位置预测这些变量，从而实现任意天线配置下的 RSRP 计算和波束选择，而无需重新训练或为每个配置单独构建模型。仿真结果表明，我们的无杂质方法在有无天线异构性情况下，均可接近于仙女模式选择的频谱效率。
引用
@article{arxiv.2602.18677,
title = {Bayesian calendar-time survival analysis with epidemic curve priors and variant-specific infection hazards},
author = {Angela M Dahl and Elizabeth R Brown},
journal= {arXiv preprint arXiv:2602.18677},
year = {2026}
}
备注
24 pages, 6 figures