用于几何一致且可解释的无线信道合成的基于物理的生成模型
信号处理
2025-06-03 v1
摘要
近年来，机器学习 (ML) 方法在无线通信系统的多种应用中日益普及。为无线通信设计 ML 系统的一个关键瓶颈是现实无线信道数据集的可用性，而生成这些数据集需要耗费大量资源。为此，生成现实无线信道在后续为无线通信系统设计有效的 ML 算法中起着关键作用。已有研究提出使用生成模型来合成信道矩阵，但此类方法产生的输出可能不对应于几何上可行的信道，且无法提供对所生成场景的任何洞察。在这项工作中，我们旨在通过将成熟的参数化、基于物理的几何信道 (PPGC) 建模框架与生成方法相结合，以生成在参数域具有可解释表示的现实信道矩阵来解决这两个问题。我们表明，由于非凸的 PPGC 模型，当直接在参数上学习底层先验时，生成模型会收敛到极差的次优驻点。为了解决这一局限性，我们提出了该问题的线性化重构，以确保生成模型训练期间的平滑梯度流，同时也提供了对底层物理环境的洞察。我们通过比较生成的特定场景样本的 2-Wasserstein 距离及其在下游压缩任务中的效用，将我们的模型与先前的基线进行了评估。
引用
@article{arxiv.2506.00374,
title = {Physics-based Generative Models for Geometrically Consistent and Interpretable Wireless Channel Synthesis},
author = {Satyavrat Wagle and Akshay Malhotra and Shahab Hamidi-Rad and Aditya Sant and David J. Love and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2506.00374},
year = {2025}
}