大规模MIMO信道预测：卡尔曼滤波与机器学习之比较
信息论
2022-06-28 v1 机器学习
math.IT
摘要
本文关注大规模多输入多输出（MIMO）系统的信道预测技术。以往的信道预测器基于理论信道模型，会偏离真实信道。本文中，我们利用已被3GPP标准采用多年的空间信道模型（SCM）中的真实信道，开发并比较了基于矢量卡尔曼滤波器（VKF）的信道预测器和基于机器学习（ML）的信道预测器。首先，我们提出一种基于大规模MIMO中大量天线空间平均的低复杂度移动性估计器。该移动性估计可用于确定所开发预测器的复杂度阶数。本文开发的基于VKF的信道预测器利用了基于Yule-Walker方程从SCM信道估计的自回归（AR）参数。随后，开发了使用基于线性最小均方误差（LMMSE）的噪声预处理数据的基于ML的信道预测器。数值结果表明，两种信道预测器在信道预测精度和数据速率方面均比过时信道有显著增益。基于ML的预测器总体计算复杂度大于基于VKF的预测器，但一旦训练完成，基于ML的预测器的运算复杂度便小于基于VKF的预测器。
引用
@article{arxiv.2009.09967,
title = {Massive MIMO Channel Prediction: Kalman Filtering vs. Machine Learning},
author = {Hwanjin Kim and Sucheol Kim and Hyeongtaek Lee and Chulhee Jang and Yongyun Choi and Junil Choi},
journal= {arXiv preprint arXiv:2009.09967},
year = {2022}
}
备注
Accepted to IEEE Transactions on Communications