DULRTC-RME：一种用于无线电图估计的深度展开低秩张量补全网络
信号处理
2025-02-10 v1
摘要
无线电地图丰富了无线电传播和频谱占用信息，为无线通信系统的运行和优化提供了基础支撑。传统的无线电地图主要通过大量的人工信道测量获得，耗时且效率低下。为了降低信道测量的复杂性，通过新型人工智能技术进行无线电图估计（Radio Map Estimation, RME）应运而生，旨在从稀疏测量或少量观测中获得更高分辨率的无线电地图。然而，黑箱问题和对训练数据的强依赖性使得基于学习的方法可解释性较差，而基于模型的方法虽然理论依据强，但性能不如基于学习的方法。在本文中，我们开发了一种用于无线电图估计的深度展开低秩张量补全网络（DULRTC-RME），该网络通过将繁琐的低秩张量补全优化过程展开成一个深度网络，融合了理论可解释性和学习能力。这是算法展开技术首次被用于 RME 领域。实验结果表明，DULRTC-RME 优于现有的 RME 方法。
引用
@article{arxiv.2502.04796,
title = {DULRTC-RME: A Deep Unrolled Low-rank Tensor Completion Network for Radio Map Estimation},
author = {Yao Wang and Xin Wu and Lianming Xu and Na Liu and Li Wang},
journal= {arXiv preprint arXiv:2502.04796},
year = {2025}
}
备注
5 pages, 3 figures, accepted by ICASSP 2025