基于模型驱动深度神经网络的商品化5G gNodeB增强测向方法
信号处理
2024-12-17 v1 人工智能
摘要
广泛覆盖且高精度的定位功能作为移动网络中智能互联设备的基本使能技术，其重要性日益凸显。然而，当前无线网络严重依赖纯模型驱动技术来实现定位功能，在实际场景中常因硬件损伤而导致性能退化。本文将测向或到达角（AoA）估计问题重新表述为空间谱的图像恢复任务，并提出了一种新的模型驱动深度神经网络（MoD-DNN）框架。所提出的MoD-DNN方案包含三个模块：基于多任务自编码器的波束赋形器、共阵谱生成模块以及基于模型驱动深度学习的空间谱重建模块。本技术能够对角度相关的相位误差进行自动校准，从而增强测向精度对实际系统非理想性的鲁棒性。我们通过数值仿真和实地测试对所提方案进行了验证。结果表明，所提出的MoD-DNN框架能够实现有效的谱校准和精确的AoA估计。据我们所知，本研究首次成功展示了利用商品化5G gNodeB进行混合数据与模型驱动的测向。
引用
@article{arxiv.2412.10644,
title = {Model-driven deep neural network for enhanced direction finding with commodity 5G gNodeB},
author = {Shengheng Liu and Zihuan Mao and Xingkang Li and Mengguan Pan and Peng Liu and Yongming Huang and Xiaohu You},
journal= {arXiv preprint arXiv:2412.10644},
year = {2024}
}
备注
To appear in ACM TOSN. A preliminary version of this article was presented at the AAAI'2024 Main Technical Track