用于无线信道动力学的深度学习
信息论
2022-03-14 v1 math.IT
摘要
本文旨在通过对信道观测的深度学习，在不知晓底层信道动力学的情况下预测无线电信道随时间的变化。在下一代宽带蜂窝系统中，用于更高速率的多载波传输导致了高分辨率预测问题。借助深度学习在高分辨率图像处理中的最新进展，我们提出了一种纯数据驱动的深度学习(DL)方法来预测宽带无线电信道的高分辨率时间演化。为研究架构设计选择的影响，我们开发并研究了三种深度学习预测模型，即使用UNet的基线、图像补全和下一帧预测模型。数值结果表明，所提DL方法在平均绝对误差上比基于卡尔曼滤波(KF)的传统方法预测误差低52%。为量化信道老化和预测对预编码性能的影响，我们还评估了因过时和预测的信道状态信息(CSI)相较于完美CSI导致的性能退化。我们的仿真表明，所提DL方法通过使预编码向量适应无线电信道变化，可将信道老化导致的性能损失减少71%，而传统KF方法仅显示27%的降低。
引用
@article{arxiv.2203.05874,
title = {Deep Learning for Wireless Dynamics},
author = {Heunchul Lee and Jaeseong Jeong and Zhao Wang},
journal= {arXiv preprint arXiv:2203.05874},
year = {2022}
}
备注
Accepted for presentation at IEEE ICC 2022 Workshop on Wireless Propagation Channels for 5G and B5G, May 16 - 20, in Seoul, South Korea. @2022 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media