首页/文章/ 详情

新文推送——稀疏信道重构：一种基于生成对抗网络的方法

北交大智能交通电波传播研究团队

2天前浏览6

北京交通大学

高移动性通信/智能交通电波传播研究组

文章概况

以张语昕（Yuxin Zhang）为第一作者，何睿斯（Ruisi He）和杨汨（Mi Yang）为通讯作者的文章近日于IEEE Transactions on Cognitive Communications and Networking（Early Access）上发表。

文章题目为：“Sparse Channel Reconstruction: A Generative Adversarial Network-Based Approach（稀疏信道重构：一种基于生成对抗网络的方法）”。

所有作者为：张语昕（Yuxin Zhang）、何睿斯（Ruisi He）、杨汨（Mi Yang）、汪琛龙（Chenlong Wang）、邱志成（Zhicheng Qiu）、陆杨（Yang Lu）、艾渤（Bo Ai）。

DOI: 10.1109/TCCN.2024.3519362

内容介绍

（图1 基于生成对抗网络的信道稀疏度可调框架。）

无线信道通常呈现稀疏结构，稀疏性是其固有特性。对信道稀疏性的更深入理解和准确表示有助于更全面地揭示信道特征和结构，从而提升通信系统的性能。然而，目前对信道稀疏性的研究仍然局限于测量，传统信道模型尚未充分纳入这一关键特性。

本文考虑到信道深度稀疏特性，提出了一种基于生成对抗网络的信道稀疏度可调框架，如图1所示，用于重构具有不同稀疏度程度的信道样本。具体而言，在框架设计中引入连续稀疏度因子和稀疏度测量模块来调控和预测重构信道的稀疏度。采用信道功率和时延进行模型训练，以更好地考虑稀疏性的信道特征。此外，还增强了输入稀疏因子与重构信道之间的互信息，以确保稀疏因子对重构信道稀疏度水平产生实际影响，从而实现不同稀疏度水平的信道的灵活、连续重构。仿真结果证明，该框架可以通过改变稀疏因子有效、准确地重构不同稀疏度水平的信道，并在测量无线信道的稀疏度方面提供良好的性能。

（图2 基于Gini系数的8个重构信道稀疏度CDF分布。）

基于Gini系数验证分析了稀疏因子从0.2到0.9调控重构的8个连续信道的稀疏性变化和分布，如图2所示。从图中可以看出稀疏因子为0.2对应的重构信道的Gini系数最大，即信道最稀疏，稀疏因子为0.9对应了最小的信道Gini系数，此外，稀疏因子按照从大到小的顺序均匀分布在Gini系数从小到大的0.8-0.9区间内，且分布相对均匀。综上所述，提出的基于稀疏因子的智能模型框架被证实可以用于信道的稀疏性调控，且调控的准确性较高。

（图3 基于重构信道的预测稀疏因子CDF分布和箱线图。)

将稀疏因子设置为0.2、0.3、0.4和0.5的重构信道输入训练好的信道稀疏度量模块进行稀疏因子的回归与预测。此时，如果预测的稀疏因子与输入的稀疏因子之间的偏差较小，这表明稀疏度量模块能够精确地评估输入信道的稀疏性。预测稀疏因子大小的分布如图3所示。可以直观地看出4个信道的稀疏度识别结果存在显着差异。基于重构的4个信道预测稀疏因子的平均值分别为 0.1994、0.3019、0.3985 和 0.5007，与输入的稀疏因子0.2，0.3，0.4，0.5的差异极小，显示出高度的一致性。此外，从箱线图中可以看出，四个重构信道对应的“箱子”大小都很小，这表明稀疏判别模块对于四个信道的稀疏度度量结果，即稀疏因子分布相对稳定且集中，并且波动较小，说明预测的稀疏因子与输入的稀疏因子在大多数信道中保持良好一致性。

（图4 输入和预测稀疏因子之间的比较。)

为了模拟现实世界中信道稀疏度的动态变化，基于均匀分布随机生成了50个稀疏因子输入稀疏重构模块重构得到了50个信道样本。随后，这些样本被送入稀疏度量模块进行识别，输入稀疏因子和预测稀疏因子之间的比较如图4所示。可以看出，识别的稀疏因子结果与输入的值几乎一致，两者的均方根误差（RMSE）仅为0.008。同时说明在信道样本稀疏度动态变化的情况下，信道稀疏度量模块依然能保持准确的识别效果。

文章链接

（文章引用）

@ARTICLE{10804631,  author={Zhang, Yuxin and He, Ruisi and Yang, Mi and Wang, Chenlong and Qiu, Zhicheng and Lu, Yang and Ai, Bo},  journal={IEEE Transactions on Cognitive Communications and Networking},   title={Sparse Channel Reconstruction: A Generative Adversarial Network-Based Approach},   year={2024},  volume={},  number={},  pages={1-1},  keywords={Wireless communication;Generative adversarial networks;Channel estimation;Data models;Mathematical models;Accuracy;Training;Channel models;Delays;Covariance matrices;Wireless channel;channel sparsity;GAN;channel reconstruction},  doi={10.1109/TCCN.2024.3519362}}

或

Y. Zhang et al., "Sparse Channel Reconstruction: A Generative Adversarial Network-Based Approach," in IEEE Transactions on Cognitive Communications and Networking, doi: 10.1109/TCCN.2024.3519362.

来源：北交大智能交通电波传播研究团队

ACT ANSA 通信 UM Mathematica

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2025-02-19

电波讲堂系列讲座第八期：无线通信信道建模 —北京交通大学杨汨副教授

免费

还没有评论