基于传播特征的 MIMO 系统中利用信道识别的卷积神经网络发射源关联方法
信号处理
2024-08-20 v1
摘要
本文开发了一种 1D 深度卷积神经网络（DCNN）和 4×4 1D DCNN 多通道模型（DCNN-MCM），用于预测在 4×4 多输入多输出（MIMO）系统中每个发射源对应的信道关联概率。与传统的发射源关联方法相反，本研究主张基于信道特征（CFs），如信道脉冲响应（CIR）和传递函数（TF），来识别接收到的射频信号。基于信道特征，每个发射-接收对具有独特属性，可用于区分不同发射源。更具体地说，信道特征通常由宽平稳随机过程定义，这赋予它们独特的性质，例如在发射源关联中具有统计独立性和互反性。基于这些信道特征，接收的射频信号可用于测量发射源周围的环境杂波和物体。在合理假设周围杂波和物体对每个发射源唯一的前提下，对这些杂波的估计和跟踪提供了一种识别观测信号由哪个发射源发出的方法。该方法分别以 97.22% 和 88.89% 的准确率成功分类和识别了发射源（DCNN 和 DCNN-MCM）。该方法进一步与先前方法的准确率进行了比较，以验证该方法的有效性及未来改进方向。
引用
@article{arxiv.2408.09616,
title = {Convolutional Neural Network Approach for Emitter Association using Channel Identification in a MIMO System based on Propagation Features},
author = {Michael F. Talley and Kofi Nyarko and Willie L. Thompson and Arlene Cole-Rhodes and Craig Scott},
journal= {arXiv preprint arXiv:2408.09616},
year = {2024}
}