新文推送——面向未来通信的人工智能赋能数据驱动型信道建模

文章概况

以团队老师杨汨（Mi Yang）副教授，何睿斯（Ruisi He）教授和艾渤（Bo Ai）教授为主要作者的成果近日于 IEEE Communications Magazine (Early Access) 上发表。

文章题目为："AI-enabled Data-driven Channel Modeling for Future Communication（面向未来通信的人工智能赋能数据驱动型信道建模）"

 DOI:10.1109/MCOM.019.2300072

内容简介

无线信道是无线通信的基础，准确理解其传播机制，建立准确的信道模型至关重要。信道研究的本质是从物理环境中剥离和提取特定的信道特征，并在此基础上建立参数化模型。然而，现有的建模方法在复杂场景下存在固有的缺陷。例如，过度简化环境信息导致建模准确性下降，相反，考虑到所有散射体则会导致建模过度复杂。

深度学习提供的数据驱动的非线性建模能力为许多应用场景提供了新的动力。与传统模型相比，深度学习模型可以适应更复杂、更多样化的信道，因此被广泛应用于信道建模。但目前，相关研究在数据集构建、特征代表性、模型泛化等方面还存在不足。在环境特征提取中，缺乏能够反映无线电传播机制的特征选择和数据构建的合理标准。在模型方面，对现有网络的泛化能力还没有得到充分的验证，输出特征的类型也比较单一。

针对以上问题，论文提出了一个数据驱动的信道建模框架。该框架以深度学习、机器学习等类人工智能方法为核心工具。总结了环境信息提取、异构网络构建、模型复杂性降低和数据增强等关键技术。

（图2 环境信息提取与预处理）

（图3 环境与信道参数的映射模型）

（图4 基于生成对抗网络的数据增强框架）

文章链接