ProSpire：基于深度学习的无线环境主动空间预测
网络与互联网体系结构
2023-08-22 v1 机器学习
信号处理
摘要
对发射机无线电传播环境的空间预测可辅助并改善无线网络的多个方面。该领域多数研究可归为“被动”空间预测，即基于待预测无线电环境的活跃发射机的一小组测量值进行预测。新兴的频谱共享范式将受益于无线电环境的“主动”空间预测，即必须对尚未收集任何测量值的发射机进行空间预测。本文提出一种新颖的、基于监督深度学习的框架 ProSpire，其利用主动空间预测思想实现频谱共享。我们细致应对 ProSpire 中的若干挑战，如设计便于收集训练数据用于学习的框架、快速执行预测、无需区域地图即可运行，以及确保预测不致引发有害干扰。ProSpire 依靠发射机与接收机在正常运作中的众包来解决上述部分挑战。ProSpire 的核心组件是一种基于深度学习的图像到图像翻译方法，我们称之为 RSSu-net。我们利用射线追踪软件生成多个多样化数据集并对 ProSpire 进行数值评估。评估表明，RSSu-net 在信号强度预测方面表现良好，平均绝对误差为 5 dB，与其他相关方法的平均误差相当。重要的是，得益于 RSSu-net 的优势，ProSpire 在发射机周围建立主动边界，使其激活时不造成干扰的概率达 97%。在此方面，RSSu-net 的性能比其他可比方法高 19%。
引用
@article{arxiv.2308.10193,
title = {ProSpire: Proactive Spatial Prediction of Radio Environment Using Deep Learning},
author = {Shamik Sarkar and Dongning Guo and Danijela Cabric},
journal= {arXiv preprint arXiv:2308.10193},
year = {2023}
}
备注
9 pages