面向通感一体化车载网络预测波束赋形的深度 CLSTM 方法
信号处理
2022-09-27 v1 信息论
math.IT
摘要
预测波束赋形设计是实现高移动性通感一体化（ISAC）的一项关键任务，其高度依赖于信道预测（CP）的准确性，即预测用户的角度参数。然而，CP 的性能高度依赖于带有估计误差的已估计历史信道状态信息（CSI），导致大多数传统 CP 方法性能下降。为进一步提高预测精度，本文关注车载网络中的 ISAC，并提出一种卷积长短期（CLSTM）循环神经网络（CLRNet）来预测车辆角度以设计预测波束赋形。在所开发的 CLRNet 中，同时采用卷积神经网络（CNN）模块和 LSTM 模块，从估计的车辆历史角度中挖掘空间特征和时间依赖性，以辅助角度预测。最后，数值结果表明，所开发的基于 CLRNet 的方法对估计误差具有鲁棒性，并能显著优于最先进的基准方法，为 ISAC 系统实现了优异的求和速率性能。
引用
@article{arxiv.2209.12368,
title = {Deep CLSTM for Predictive Beamforming in Integrated Sensing and Communication-enabled Vehicular Networks},
author = {Chang Liu and Xuemeng Liu and Shuangyang Li and Weijie Yuan and Derrick Wing Kwan Ng},
journal= {arXiv preprint arXiv:2209.12368},
year = {2022}
}