基于无监督学习的 MISO 下行 LoS 传输方位角估计
信号处理
2025-04-22 v2 信息论
math.IT
摘要
随着同时定位与通信 (SLAC) 的兴起，越来越多地需要在接收端 IoT 用户处进行方位角 (AoD) 估计，以提高定位精度、灵活性和用户隐私。为了解决传统 AoD 估计方法面临的实时测量大量、深度学习模型训练数据收集巨大等挑战，我们在本文中提出一种无监督学习框架，统一了基于确定性最大似然 (DML) 和随机最大似然 (SML) 的 AoD 估计训练。具体而言，在平坦信道 (LoS) 假设下，我们将接收信号和导频序列信息（视其在下行用户端的可用性）纳入深度学习模型的输入，并采用一种兼容 DML 和 SML 情况输入数据的通用神经网络结构。大量数值结果表明，基于无监督学习的 AoD 估计不仅提高了估计精度，而且显著减少了所需的观测次数，从而降低了估计开销和延迟。
引用
@article{arxiv.2503.12033,
title = {Unsupervised Learning for AoD Estimation in MISO Downlink LoS Transmissions},
author = {Jiaying Li and Yuanwei Liu and Hong Xing},
journal= {arXiv preprint arXiv:2503.12033},
year = {2025}
}
备注
5 pages, 3 figures and 1 table, submitted for possible publication