分布迁移下频域信道外推的通用学习
信号处理
2025-05-21 v1
摘要
频域信道外推通过减少多输入多输出 (MIMO) 系统中的探发器开销而有效。近期，基于深度学习 (DL) 的信道外推器已成为建模复杂频域依赖关系的有前景的候选方案。然而，当前的深度学习外推器在分布迁移的情况下无法在未见环境中运行，这给大规模部署带来了挑战。本文通过从物理角度实现分布对齐，实现了信道外推的环境通用学习。首先，严格分析了无线信道的分布迁移，其包括多径结构分布迁移和单路径响应分布迁移。其次，提出一种基于物理的渐进式分布对齐策略以解决分布迁移问题，包括路径导向的设计和路径对齐。路径导向的深度学习外推器将多径信道外推分解为对提取路径的平行外推，从而可减轻多径结构分布迁移。路径对齐用于解决路径导向深度学习外推器中单路径响应分布迁移的问题，从而最终实现信道外推的通用学习。在仿真中，使用精确的射线追踪工具生成不同的无线环境。通过广泛的评估，提出的带有路径对齐的路径导向深度学习外推器在未见环境中可比当前最先进技术将外推误差降低超过6 dB。
引用
@article{arxiv.2505.13867,
title = {Generalizable Learning for Frequency-Domain Channel Extrapolation under Distribution Shift},
author = {Haoyu Wang and Zhi Sun and Shuangfeng Han and Xiaoyun Wang and Zhaocheng Wang},
journal= {arXiv preprint arXiv:2505.13867},
year = {2025}
}