实时大规模MIMO信道预测：深度学习与NeuralProphet的结合
信号处理
2022-08-12 v1
摘要
信道状态信息(CSI)至关重要，因为它使无线系统能够更准确地调整传输参数，从而提升系统整体性能。然而，在高度动态的环境中，主要由于多径衰落，获取准确的CSI变得具有挑战性。不准确的CSI会恶化系统性能，尤其是大规模多输入多输出(mMIMO)系统的性能。本文采用机器学习(ML)进行CSI预测。具体而言，我们利用循环神经网络(RNN)和双向长短期记忆网络(BiLSTM)等深度学习(DL)时间序列模型。此外，我们使用近期提出的由统计分量（例如自回归(AR)和傅里叶项）组成的时间序列模型NeuralProphet(NP)进行CSI预测。受统计模型启发，我们还开发了一种由RNN和NP组成的新型混合框架，以获得更好的预测精度。所提出的信道预测器(CPs)的性能在德国斯图加特诺基亚贝尔实验室园区记录的真实数据集上进行了评估。数值结果表明，DL与统计模型结合使用时带来性能增益，并展现出鲁棒性。
引用
@article{arxiv.2208.05607,
title = {Real-Time Massive MIMO Channel Prediction: A Combination of Deep Learning and NeuralProphet},
author = {Muhammad Karam Shehzad and Luca Rose and Muhammad Furqan Azam and Mohamad Assaad},
journal= {arXiv preprint arXiv:2208.05607},
year = {2022}
}
备注
6