用于无线通信信道预测中结构优化的复值神经网络在线正则化
信号处理
2021-05-03 v2
摘要
本文提出在线学习的复值神经网络（CVNNs）以预测快衰落多径移动通信中的未来信道状态。CVNN 适合将衰落通信信道作为一个单一的复值实体来处理。该框架通过利用其复域中的高泛化能力，可实现准确的信道预测。然而，实际通信环境具有快速且不规则的变化特征，从而导致通信信道状态的波动。因此，经验性选定的静态网络仅能提供有限的预测精度。本文在 CVNN 权重的更新中引入正则化，以发展出一种在线动态机制，该机制能够通过响应此类信道状态变化而自优化其有效网络规模。它借助网络规模的动态调整，实现了在线自适应、高精度且鲁棒的信道预测。我们在仿真与实际无线传播实验中证明了其在线自适应能力。
引用
@article{arxiv.1901.10121,
title = {Online regularization of complex-valued neural networks for structure optimization in wireless-communication channel prediction},
author = {Tianben Ding and Akira Hirose},
journal= {arXiv preprint arXiv:1901.10121},
year = {2021}
}
备注
40 pages, 9 figures