用于可解释且无标签毫米波信道预测的混合数据驱动状态空间模型
信号处理
2024-11-19 v1 人工智能
机器学习
摘要
由于高用户移动性，准确预测毫米波时变信道对于缓解复杂场景中的信道老化问题至关重要。现有信道预测方法存在局限性：经典的基于模型的方法由于专家知识有限，通常难以跟踪高度非线性的信道动态；而新兴的数据驱动方法通常需要大量标记数据进行有效训练，且往往缺乏可解释性。为了解决这些问题，本文提出了一种新颖的混合方法，将数据驱动的神经网络集成到基于状态空间模型（SSM）的传统基于模型的工作流中，从而无需精确的专家知识即可从数据中隐式跟踪复杂的信道动态。此外，开发了一种新颖的无监督学习策略，仅使用无标签数据来训练嵌入式神经网络。进行了理论分析和消融研究，以解释从这种混合集成中获得的增强效益。基于 3GPP 毫米波信道模型的数值仿真证实了所提方法相比于纯基于模型或纯数据驱动的最先进方法具有更优的预测准确度。此外，广泛的实验验证了其对各种挑战因素的鲁棒性，包括但不限于严重的信道变化和高噪声水平。
引用
@article{arxiv.2411.11576,
title = {Hybrid Data-Driven SSM for Interpretable and Label-Free mmWave Channel Prediction},
author = {Yiyong Sun and Jiajun He and Zhidi Lin and Wenqiang Pu and Feng Yin and Hing Cheung So},
journal= {arXiv preprint arXiv:2411.11576},
year = {2024}
}