从数据驱动学习到物理启发推断：一种基于神经常微分方程的移动 MIMO 信道预测新方案
信号处理
2023-11-30 v2
摘要
本文提出一种基于学习的创新信道预测方案，以实现更高的预测精度并降低对海量且严格时序格式信道数据的要求。受神经常微分方程（Neural ODE）思想启发，我们首先通过分析移动环境中电磁波传播的物理过程，证明信道预测问题可建模为具有已知初值的常微分方程问题。接着，我们设计了一种新颖的受物理启发的空间信道梯度网络（SCGnet），该网络将信道变化的导数过程表示为一个特殊神经网络，并能获得常微分方程求解所需的任意相对位移处的梯度。借助 SCGnet，基站服务的任意位置的静态信道可通过连续传播与积分被精确推断。最后，我们基于用户移动性的一些先验知识设计了一种高效的递归定位算法以获取速度矢量，并提出一种近似多普勒补偿方法来补全瞬时角延迟域信道。训练仅需离散历史信道数据，而预测仅需少量新鲜信道测量值，这保证了方案的实用性。综合评估表明，所提方案在表示、学习和预测移动无线信道方面最为高效。
引用
@article{arxiv.2304.04267,
title = {From Data-driven Learning to Physics-inspired Inferring: A Novel Mobile MIMO Channel Prediction Scheme Based on Neural ODE},
author = {Zhuoran Xiao and Zhaoyang Zhang and Zirui Chen and Zhaohui Yang and Chongwen Huang and Xiaoming Chen},
journal= {arXiv preprint arXiv:2304.04267},
year = {2023}
}