轻量级自演化信道双胞胎：基于集成DMD的方法

传统信道获取因理想模型假设和可扩展性挑战而面临显著局限。信道双胞胎技术作为一种新型环境感知范式，旨在通过数据驱动方法构建无线传播环境语义。虽然在信道双胞胎技术领域，无线地图被视为一种有效的区域特定模型，能够学习信道信息的空间分布，但大多数研究聚焦于静态信道图构建，仅有少数收集大量信道样本并使用深度学习进行无线地图预测。本文开发了一种轻量级动态无线地图双胞胎框架，具体而言，我们提出了一种创新方法，利用动态模式分解（DMD）对动态信道增益图的演化进行动力学系统建模。我们首先将动态信道增益图解释为时空视频流数据。使用新设计的集成DMD（Ens-DMD）算法从流数据中提取粗粒度和细粒度的演化模式。为缓解噪声数据的影响，我们设计了基于中位数的阈值掩码技术，以过滤双胞胎图中的噪声伪影。通过所提出的DMD驱动的无线地图双胞胎框架，数值结果表明信道增益图的低复杂度复制与演化具有良好性能。此外，我们考虑了四个无线地图双胞胎性能指标，以确认本框架在基线方法中的优越性。