时变无线通信信道建模：考虑衰落与阴影效应
机器学习
2024-10-24 v1 信号处理
摘要
对无线信道对发射信号影响的实时定量化，对于分析和智能设计 various 服务的无线通信系统至关重要。最近的机制试图独立于编码、调制、信号处理等因素，使用深度学习神经网络来建模信道特征，这些方法前景广阔。然而，现有方法既不统计上准确，也无法适应不断变化的环境。本文提出了一种新方法，将深度学习神经网络与混合密度网络模型相结合，以推导给定通信距离下接收功率的条件概率密度函数(PDF)。此外，设计并实现了深度迁移学习方案，使信道模型能够动态适应通信环境的变化。对 Nakagami 衰落信道模型和 Log-normal 阴影信道模型进行大量实验表明，新方法在统计上更准确、更快捷、更稳健，优于以前基于深度学习的信道模型。
引用
@article{arxiv.2405.08199,
title = {Modeling of Time-varying Wireless Communication Channel with Fading and Shadowing},
author = {Lee Youngmin and Ma Xiaomin and Lang S. I. D Andrew},
journal= {arXiv preprint arXiv:2405.08199},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication