时变瑞利信道的机器学习预测
信号处理
2021-03-11 v1
摘要
在高移动性场景中，信道状态信息（CSI）会迅速过时，从而降低无线通信系统的性能。在这些情况下，可应用时序预测技术来对抗过时 CSI 的影响。最近研究表明，循环神经网络（RNN）在时序预测任务中表现出卓越性能。本文在一个简单的瑞利平坦衰落信道中研究了 RNN 与长短期记忆（LSTM）预测器的性能。我们进行了数值实验，以评估这些基于机器学习（ML）的预测器是否能优于最优线性最小均方误差维纳预测器。仿真结果表明，在所考虑的神经网络预测器中，对于较小的观测窗口长度，其性能优于维纳预测器，并且在弱信道相关性及存在噪声的情况下更为鲁棒。此外，我们表明简单的浅层 RNN 足以在较宽的多普勒频移范围内对瑞利信道进行建模。
引用
@article{arxiv.2103.06131,
title = {Machine Learning Prediction of Time-Varying Rayleigh Channels},
author = {Joseph Kibugi and Lucas N. Ribeiro and Martin Haardt},
journal= {arXiv preprint arXiv:2103.06131},
year = {2021}
}