C-GRBFnet：一种受物理启发的生成式深度神经网络用于信道表征与预测
信号处理
2021-12-07 v1
摘要
在本文中，我们旨在仅利用用户的位置信息以及在一定无线通信环境中获取的一组信道实例，高效且准确地预测静态信道冲激响应（CIR）。这一问题绝非平凡，因为它需要从极低维数据（此处为位置坐标）重建高维信息（此处为各处的CIR），这通常会导致过拟合和较大的预测误差。为此，我们采用一种新颖的受物理启发的生成方法。具体而言，我们首先使用前向深度神经网络推断该环境中由周围散射体反射的源的所有可能镜像的位置，然后使用著名的高斯径向基函数网络（GRBF）来逼近所有可能传播路径的幅度。我们进一步将最近发展的正弦表示网络（SIREN）纳入所提网络中，以隐式表示所有可能路径的高度动态相位，而传统采用非周期激活函数的神经网络通常无法很好地预测这些相位。由此得到的余弦-高斯径向基函数网络（C-GRBFnet）框架也被扩展至MIMO信道情形。包括预测精度、收敛速度、网络规模以及对信道估计误差的鲁棒性在内的关键性能指标被全面评估并与现有流行网络比较，结果表明我们所提网络在给定通信环境中表征、学习和预测无线信道方面高效得多。
引用
@article{arxiv.2112.02615,
title = {C-GRBFnet: A Physics-Inspired Generative Deep Neural Network for Channel Representation and Prediction},
author = {Zhuoran Xiao and Zhaoyang Zhang and Chongwen Huang and Xiaoming Chen and Caijun Zhong and Mérouane Debbah},
journal= {arXiv preprint arXiv:2112.02615},
year = {2021}
}