Jun, 2023

利用移动平均和回归模型预测无线信道质量

PDF
TL;DR为提高未来工业网络的性能和设备漫游能力，该研究比较了基于移动平均和回归的多个方法，发现指数移动平均是最佳模型，可在预测帧传输比时以平均误差为 2.10% 并具有较低计算复杂度和内存消耗。
wireless channelindustrial networksmoving averagesregressionframe delivery ratio
发现论文，激发创造
  • 线性组合的指数移动平均用于无线信道预测

    提出了一种基于指数移动平均（EMA）的预测模型，并通过实验证明了其在预测准确性上的优势，尽管计算复杂度略微增加，但在任何实验条件下以比 EMA 显著更好的性能提供了可观的改进。

    Dec, 2023

  • 大规模 MIMO 信道预测：卡尔曼滤波与机器学习

    本文研究基于真实无线信道模型的大规模 MIMO 系统通道预测技术，提出并比较了基于向量卡尔曼滤波器和基于机器学习的通道预测方法，数值结果表明这两种方法均比传统方法具有更高的精确度和数据速率。

    Sep, 2020

  • 时变无线通信信道的衰落和阴影建模

    在这篇论文中，我们提出了一种将深度学习神经网络与混合密度网络模型相结合的新方法，以得到普通无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，我们还设计和实现了一种深度迁移学习方案，使得信道模型能够动态适应通信环境的变化。通过在 Nakagami 衰落信道模型和 Log-normal 阴影信道模型上进行广泛实验，结果表明新方法比以前基于深度学习的信道模型在统计准确性、速度和鲁棒性方面更好。

    May, 2024

  • 神经网络解决的低复杂度信道估计

    本文研究了利用机器学习，特别是神经网络方法来进行无线通信信道估计问题，并且针对正交频分复用信号的下行场景，采用一个通用的残差卷积神经网络进行了实现，且利用简单的插值层来替换其他网络中的转置卷积层，减少了计算成本。与其他深度学习方法相比，对于 3GPP 信道模型，我们提出的方法表现出更优的均方误差性能。

    Jan, 2022

  • 神经网络在无线信道预测中的比较

    现代无线通信系统的性能在很大程度上取决于发送方和接收方所拥有的可用信道状态信息（CSI）的质量。本文通过比较预测质量的表现，对适用于信道预测的最新神经网络进行了综述和对比分析，并提出了选择最适合信道预测应用的神经网络的指南。

    Aug, 2023

  • 基于相似性的信道映射和用户定位预测

    通过使用无线网络中用户上传链路信号的信息，提出了一种基于有标注数据库的监督机器学习方法，可以同时预测用户位置和信道质量，具有比之前提出的方法更优的结果，成本更低。

    Dec, 2020

  • 基于时域平均 LSTM 的 IEEE 802.11p 标准信道估计方案

    本文讨论了车载通信中关于通道估计的问题，提出采用基于 LSTM 的方法取代传统的深度学习技术以提高计算效率和降低噪声水平，同时证实该方法相对于其他近期提出的深度学习估算器具有更好的性能。

    Jun, 2021

  • 基于生成式神经网络的毫米波信道建模

    本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

    Aug, 2020

  • 基于机器学习的信道估计性能分析

    本文研究了基于机器学习的信道估计的均方误差 (MSE) 性能，采用假设检验分析其 MSE 上界，并建立了一个统计模型，推导出训练数据大小和性能之间的清晰分析关系。最后，讨论了仅有有限训练数据的情况下的设计考虑。

    Nov, 2019

  • 基于数据驱动的无线网络延迟概率预测：关注尾部概率

    使用数据驱动的方法，预测网络参数条件下稀有延迟的概率分布尾部，以实现对无线传输中的网络延迟的更精确控制。

    Jul, 2023