基于神经网络的信道脉冲响应峰聚类
信号处理
2025-03-28 v1
摘要
本文提出一种处理来自 60GHz 和 80GHz 信道脉冲响应（CIR）信道探测器数据的方法，集成了长短期记忆（LSTM）神经网络（NN）和全连接神经网络（FCNN）。其主要目标是增强和自动化对信噪比低的 CIR 数据峰的聚类检测。本研究首先比较了 LSTM NN 和 FCNN 在不同输入序列长度下的性能。值得注意的是，LSTM 优于 FCNN，因为其包含记忆细胞，对于处理更长的序列具有优势。此外，本文探讨了通过 various 架构配置来增强 LSTM NN 的鲁棒性。研究结果表明，鲁棒的神经网络倾向于高度模仿输入函数，而较小的神经网络在捕捉时间序列数据中的趋势方面更为出色，这在异常检测中尤为理想，因为将函数峰值视为异常。最后，选定的 LSTM NN 与传统信号滤波器进行了比较，包括 Butterworth 滤波、Savitzky-Golay 滤波、Bessel/Thomson 滤波器和中值滤波器。视觉观察表明，最有效的信道脉冲响应数据中峰检测方法要么是 LSTM NN，要么是中值滤波器，因为它们能产生相似的结果。
引用
@article{arxiv.2503.20838,
title = {Channel impulse response peak clustering using neural networks},
author = {Petr Horky and Ales Prokes and Radek Zavorka and Josef Vychodil and Jan M. Kelner and Cezary Ziolkowski and Aniruddha Chandra},
journal= {arXiv preprint arXiv:2503.20838},
year = {2025}
}
备注
7 pages, 10 figures, 5 tables