新文推送——基于机器学习的信道测量去噪方法
北京交通大学
轨道交通控制与安全国家重点实验室
高移动性通信/智能交通电波传播研究组
文章概况
以团队成员米航（Hang Mi），何睿斯（Ruisi He），杨汨（Mi Yang）和马张枫（Zhangfeng Ma）为主要作者的成果近日于IEEE Transactions on Vehicular
Technology( Early Access )上发表。
文章题目为：“A Novel Denoising Method Based on MachineLearning in Channel Measurements（一种基于机器学习的信道测量去噪方法）”。
DOI: 10.1109/TVT.2021.3126432
内容介绍
（图1 本文中的BPNN的体系结构）
机器学习（ML）在处理通信网络产生的大量数据方面发挥着越来越重要的作用，因为它可以有效地解决非线性和非结构化数据的问题。近年来，由于在真实传播环境中，噪声信道通常是非线性和非结构化的，因此ML被广泛应用于无线信道数据的处理。
本文提出了一种基于ML的方法来去除测量周期中的噪声。基于信道多径分量（MPC）的特点，采用两种准则对原始数据进行标签和分析。然后，介绍了数据预处理方法和输入序列结构。在训练ML算法时，考虑了功率时延谱（PDP）中不同样本之间的相关特征。采用反向传播神经网络（BPNN）和双向循环神经网络（BRNN）两种ML算法对信道冲激响应（CIRs）进行分类和去噪，得到了不同方法的去噪结果并进行了比较。
结果发现，噪声阈值法通常保留一些时延较大的噪声样本。BPNN虽然几乎消除了所有的噪声，但它会错误地消除一些MPC。而BRNN显示出更好的信道去噪性能，它不仅可以保留有效的MPC，而且几乎可以去除所有噪声。这是因为BRNN可以更好地考虑样本之间的相关性。噪声阈值、BPNN和BRNN的分类准确率分别为83%、93%和96%。最后，比较了使用不同去噪方法的均方根（RMS）时延扩展。结果表明，不同的去噪方法对估计的RMS时延扩展有显著影响。其中，BRNN导致较低的RMS时延扩散，它可以保留MPCs，并有效地去除噪声。因此，BRNN模型具有较好的去噪性能。
（图2 去噪结果比较）
（图3 采用不同的去噪方法进行均方根延迟扩散比较）
（文章引用）
@ARTICLE{9609959, author={Mi, Hang and Ai, Bo and He, Ruisi and Yang, Mi and Ma, Zhangfeng and Zhong, Zhangdui and Wang, Ning},
journal={IEEE Transactions on
Vehicular Technology},
title={A Novel Denoising Method Based on
Machine Learning in Channel Measurements},
year={2021}, volume={}, number={}, pages={1-1},
doi={10.1109/TVT.2021.3126432}}
或
H. Mi et al., "A Novel Denoising Method
Based on Machine Learning in Channel
Measurements," in IEEE Transactions
on Vehicular Technology,
doi: 10.1109/TVT.2021.3126432.
