深度频谱制图：利用学习型神经模型补全无线电地图张量
信号处理
2022-04-06 v2 机器学习
摘要
频谱制图（SC）技术从有限的测量中构建多域（如频率、空间和时间）射频（RF）地图，这可视为一个不适定的张量补全问题。基于模型的制图技术通常依赖手工设计的先验（如稀疏性、平滑性和低秩结构）来完成该任务。此类先验可能不足以刻画复杂无线环境的本质——尤其在发生严重阴影衰落时。为应对这些挑战，已有研究考虑采用离线训练的无线电地图深度神经模型进行 SC，因为深度神经网络（DNN）能够从数据中“学习”复杂的底层结构。然而，此类基于深度学习（DL）的 SC 方法在离线模型学习（训练）与补全（泛化）两方面均面临严峻挑战，可能原因在于生成无线电地图的潜在状态空间过于庞大。本文提出一种基于发射源无线电地图解聚合的方法，在该方法下仅由 DNN 对各个发射源的无线电地图建模。如此一来，学习与泛化挑战均可大幅缓解。利用所学得的 DNN，本文提出一种基于快速非负矩阵分解的两阶段 SC 方法以及一种性能增强的迭代优化算法。在所提框架下，刻画了无线电张量的可恢复性、样本复杂度和噪声鲁棒性等理论方面——而这些理论性质在基于 DL 的无线电张量补全中一直难以捉摸。通过室内及强阴影环境的合成与真实数据实验，展示了所提方法的有效性。
引用
@article{arxiv.2105.00177,
title = {Deep Spectrum Cartography: Completing Radio Map Tensors Using Learned Neural Models},
author = {Sagar Shrestha and Xiao Fu and Mingyi Hong},
journal= {arXiv preprint arXiv:2105.00177},
year = {2022}
}