面向近场 THz 网络的束束相干时间深度学习预测
系统与控制
2025-11-04 v1 机器学习
系统与控制
摘要
大型多天线阵列配合准确波束赋形是太赫兹（THz）通信确保链路可靠性的关键。然而，随着天线数量的增加，移动网络中的波束对准（聚焦）和波束跟踪将导致巨大的开销。此外，近场区域随天线阵列大小和载波频率的增大而扩大，要求对波束赋形进行调整，以考虑球面波前而非传统平面波假设。在本文中，我们提出一种 novel 束相干时间，用于移动 THz 网络中大幅减少波束更新频率。随后，我们提出一种深度学习模型，依赖于具有时间依赖输入的简单前馈神经网络，用于预测束相干时间并实时调整波束赋形，以最小化开销。我们的数值结果表明，所提出的方法通过实现更高的数据速率并减少开销，尤其是在高（即车载）移动性下，效果显著。
引用
@article{arxiv.2511.01491,
title = {Deep Learning Prediction of Beam Coherence Time for Near-FieldTeraHertz Networks},
author = {Irched Chafaa and E. Veronica Belmega and Giacomo Bacci},
journal= {arXiv preprint arXiv:2511.01491},
year = {2025}
}
备注
IEEE Wireless Communication Letters (accepted October 2025)