May, 2024

时变无线通信信道的衰落和阴影建模

PDF
TL;DR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。
wireless channeltransmitting signaldeep learning neural networkconditional probability density functiontransfer learning
发现论文，激发创造
  • 基于深度学习的时变衰落信道估计算法

    本研究提出了一种基于深度学习和神经网络的物理层信道估计器，可以在没有先验知识的情况下动态追踪信道状态，并且与传统算法和其他深度学习架构相比，具有更好的均方误差性能和鲁棒性。

    Aug, 2019

  • 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

  • 利用变分生成对抗网络从观测中学习随机信道模型逼近虚空

    本研究提出使用变分生成对抗网络来解决无线信道建模中的问题，可以精确地捕捉随机的信道响应，并且可以在一系列真实信道分布上优化性能。

    May, 2018

  • 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

  • 基于深度学习和条件生成对抗网络的端到端无线通信系统与未知信道

    本研究提出使用条件生成对抗网络模拟信道影响来优化端到端通信系统，解决了信道状态信息难以获取的问题，并在多种信道中得到有效验证。

    Mar, 2019

  • 基于深度学习的双重色散环境下信道估计调查

    本文针对动态环境下的无线通信系统中频道估计困难的问题，对基于深度学习的频道估计技术进行了广泛的研究和实验模拟，并提供了计算复杂度分析和在线源代码，最终通过在不同移动性情况下的表现评估来支持它们的可靠性和应用。

    Jun, 2022

  • 基于生成扩散模型的射频无线信道建模与采样

    本文提出了一种基于扩散模型的信道采样方法，用于快速合成有限数据中的信道实现。实验证明，相比于基于 GAN 的方法，该基于扩散模型的方法在训练稳定性和生成多样性方面表现更好，并且可以使用有限数据对真实世界信道进行建模。

    Aug, 2023

  • 通过设计训练数据实现无线信道估计神经网络的鲁棒泛化

    本文提出了一种设计训练数据的方法，以支持神经网络对未知信道的强健泛化，并使用模拟结果验证了其准确性。

    Feb, 2023

  • 基于分割和深度学习的物理感知通用可建模无线信道：基础、方法论和挑战

    数据驱动的信道建模与精确的室内信道预测案例研究合并了物理知识和深度学习，为未来模型发展提供了全面的架构和有效的研究方向。

    Jan, 2024

  • 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