TULVCAN：太赫兹超宽带学习型车载信道感知组网
网络与互联网体系结构
2021-03-30 v1
摘要
由于频谱稀缺与无线容量需求增长，0.1-10THz的太赫兹(THz)通信及相应频谱表征已崭露头角，以满足未来5G与6G无线系统中的多样化业务需求。然而，当局部频谱相关性被刻意忽略时，以欠采样测量重建原始宽带频谱的传统压缩感知技术变得低效。近期工作以基于深度学习的算法扩展通信方法，但缺乏与THz信道特性的强关联。本文提出新颖的THz信道感知频谱学习方案，在执行此类车载环境下的超宽带感知时充分揭示THz信道的独特性。具体而言，通过结构化感知矩阵及基于THz频率高扩散损耗与分子吸收的两阶段重建，提出频谱压缩与重建的联合设计。进一步开发了端到端学习框架，即压缩与重建网络(CRNet)，采用均方误差损失函数以提升感知精度并显著降低计算复杂度。数值结果表明，CRNet方案在更高的余弦与结构相似性度量、更小的学习误差及少56%所需训练开销方面优于最新生成对抗网络(GAN)实现。该太赫兹超宽带学习型车载信道感知组网(TULVCAN)工作成功实现了高效的THz频谱学习，从而支持频率敏捷接入。
引用
@article{arxiv.2103.15222,
title = {TULVCAN: Terahertz Ultra-broadband Learning Vehicular Channel-Aware Networking},
author = {Chia-Hung Lin and Shih-Chun Lin and Erik Blasch},
journal= {arXiv preprint arXiv:2103.15222},
year = {2021}
}
备注
This paper was already accepted by the IEEE 2021 INFOCOM Workshop