面向车载网络信道协方差估计的几何机器学习方法
信号处理
2021-07-05 v1
摘要
在毫米波（mmWave）车载通信中，学习空间相关无线信道的协方差矩阵可用于设计环境感知波束成形码本。由于具有对称正定（SPD）特性，此类信道协方差矩阵可在非欧几里得黎曼流形上表示。因此，本文提出一种基于无监督K-Means模型的黎曼几何机器学习（G-ML）方法来估计信道协方差矩阵。所提出的K-means算法利用对数欧几里得度量（LEM）作为黎曼流形上信道协方差矩阵之间的距离度量。我们表明，与在信道向量本身上应用聚类的基于欧几里得的K-Means算法相比，我们提出的K-Means G-ML模型可实现高达80%的误差降低。
引用
@article{arxiv.2107.00759,
title = {Geometric Machine Learning for Channel Covariance Estimation in Vehicular Networks},
author = {Imtiaz Nasim and Ahmed S. Ibrahim},
journal= {arXiv preprint arXiv:2107.00759},
year = {2021}
}
备注
6 pages, 8 figures, IEEE conference