面向无人机信道建模的物理启发式Kolmogorov-Arnold网络
机器学习
2026-01-06 v2 信号处理
摘要
无人机（UAV）通信需求精准且可解释的空地（A2G）信道模型，以适应非平稳传输环境。虽然确定性模型提供可解释性，深度学习（DL）模型提供精度，但两种方法要么僵化，要么缺乏可解释性。为填补这一鸿沟，我们提出Physics-Inspired Kolmogorov-Arnold Network（PIKAN），将物理原理（如自由空间损耗、双射反射）嵌入学习过程。不同于物理信息神经网络（PINN），PIKAN更灵活，可将物理信息作为灵活的归纳偏置引入。因此，它实现更灵活的训练过程。实验基于UAV A2G测量数据显示，PIKAN在保持与测量相关性的同时，实现了DL模型的 comparable 精度，同时提供与传播规律对齐的符号和可解释表达式。值得注意的是，PIKAN仅需232个参数，使其在不牺牲相关性的前提下，比具有数千参数的多层感知机（MLP）基线轻便高达37倍，同时提供符号表达式。这些结果凸显了PIKAN作为Beyond-5G和6G网络中高效、可解释且可扩展的无人机信道建模解决方案。
引用
@article{arxiv.2510.06355,
title = {PIKAN: Physics-Inspired Kolmogorov-Arnold Networks for Explainable UAV Channel Modelling},
author = {Kürşat Tekbıyık and Güneş Karabulut Kurt and Antoine Lesage-Landry},
journal= {arXiv preprint arXiv:2510.06355},
year = {2026}
}
备注
This paper has been accepted for IEEE Aerospace Conference