新文推送--动态环境下MIMO系统的LOS/NLOS识别

文章概况

以团队成员黄晨（Chen Huang）和何睿斯（Ruisi He）为主要作者的成果近日于知名期刊IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS上发表。

文章题目为：“Machine Learning-Enabled LOS/NLOS Identification for MIMO Systems in Dynamic Environments（基于机器学习的动态环境下MIMO系统的LOS/NLOS识别）”。

DOI: 10.1109/TWC.2020.2967726

其他来自北京交通大学的作者有：艾渤（Bo Ai）教授和钟章队（Zhangdui Zhong）教授。

（图1 本文提出的的LOS/NLOS识别技术的系统架构）

区分/识别视距(LOS)和非视线(NLOS)情况对于无线系统中的各种应用，例如定位和信道建模等，都有重要意义。在车对车(V2V)网络中，LOS识别尤其具有挑战性，因为在不同空间/时间尺度上发生的各种物理效应会影响LOS的存在。

本文研究了在V2V网络中使用大量测量数据基于机器学习进行LOS识别的技术，开发了鲁棒和高效的识别解决方案。提出的方法利用了信道脉冲响应(CIR)的几个静态和时变特征。具体来说，本文开发了一种快速识别解决方案，可以通过使用功率角谱进行训练。此外，在测量数据的基础上，本文还比较了三种不同的机器学习方法，即支持向量机、随机森林和人工神经网络在训练和生成分类器方面的能力。

在各种V2V环境下进行的实验结果表明，提出的技术能够以低至1%的误差率区分LOS/NLOS情况，这些实验结果随后通过交叉验证进行了验证。此外，本文还研究了不同的训练和验证策略对识别准确性的影响。

（表1 不同训练集的特征选择）

     

      

     

（文章引用）

@ARTICLE{8968748,  author={C. {Huang} and A. F. {Molisch} and R. {He} and R. {Wang} and P. {Tang} and B. {Ai} and Z. {Zhong}},  journal={IEEE Transactions on Wireless Communications},   title={Machine Learning-Enabled LOS/NLOS Identification for MIMO Systems in Dynamic Environments},   year={2020},  volume={19},  number={6},  pages={3643-3657},}

或

C. Huang et al., "Machine Learning-Enabled LOS/NLOS Identification for MIMO Systems in Dynamic Environments," in IEEE Transactions on Wireless Communications, vol. 19, no. 6, pp. 3643-3657, June 2020, doi: 10.1109/TWC.2020.2967726.