网站换公司吗中国商业数据网

网站换公司吗,中国商业数据网,wordpress免费模板小而美,o2o信息类平台有哪些基于复数值残差网络的近场 MIMO 系统波达方向估计 摘要 短距离多输入多输出#xff08;MIMO#xff09;系统的近场效应给波达方向#xff08;DoA#xff09;估计带来了诸多挑战。大多数传统场景均假设远场平面波前成立#xff0c;而本文针对短距离 MIMO 通信中的 DoA 估…基于复数值残差网络的近场 MIMO 系统波达方向估计摘要短距离多输入多输出MIMO系统的近场效应给波达方向DoA估计带来了诸多挑战。大多数传统场景均假设远场平面波前成立而本文针对短距离 MIMO 通信中的 DoA 估计问题展开研究其中近场球面波的影响不可忽略。通过将该问题转化为回归任务本文提出一种基于复数值深度学习CVDL的新型 DoA 估计框架适用于短距离 MIMO 通信系统的近场区域。在球面波模型假设下阵列导向向量由距离和方向共同决定但求解这一包含大量变量的回归任务极具挑战性因为数据集需捕捉众多复杂的特征表示。为解决该问题本文基于接收信号构建虚拟协方差矩阵VCM从 VCM 中提取的特征能够处理方向与距离之间复杂的耦合关系。尽管未来通信网络驱动的无线大数据推动了基于深度学习的无线信号处理技术发展但复数值信号的学习算法仍处于探索阶段。本文提出一种一维1-D残差网络得益于信号子空间向量固有的一维结构该网络可直接处理复数值特征。此外本文提出一种基于裁剪 VCM 的策略适用于不同的天线尺寸。所提方法能够充分利用复数值信息仿真结果表明在 DoA 估计精度方面所提 CVDL 方法优于基线方案。关键词复数值深度学习波达方向估计MIMO近场回归任务引言随着第五代5G移动通信中毫米波、小小区和大规模多输入多输出MIMO等关键使能技术的发展大规模 MIMO 系统中的波达方向DoA估计问题近年来受到了广泛关注。过去几十年间研究者们提出了多种 DoA 估计方法涵盖子空间类技术、最大似然估计器、压缩感知方法以及混合方法等。高效、准确的 DoA 估计算法对大规模 MIMO 系统至关重要尤其是精确的 DoA 信息对于大规模 MIMO 系统中的波束成形设计具有关键意义。上述大多数 DoA 估计方法均假设远场平面波前但这一假设在未来移动系统中可能不再成立。作为 5G 及后续移动网络的核心使能技术毫米波大规模 MIMO 有望支持高速率通信但短波长和大天线孔径给传播模式建模带来了挑战。考虑瑞利距离时最后一阶散射体可能处于接收天线的近场区域此时需采用球面波传播模型。另一方面近场 DoA 估计在车辆与万物互联V2X通信、虚拟现实、智能家居和自动驾驶等诸多应用中也具有重要意义。特别是地标信号的 DoA 估计是车辆定位的核心技术而车辆定位是车联网IoV的重要分支。相关工作与研究动机近场 DoA 估计中必须联合估计距离和角度这扩大了搜索空间并增加了搜索开销。为解决该问题有研究提出无需多维搜索的子空间方法但这类方法需要大量快照和高信噪比SNR以提高空间分辨率另有研究针对少快照、低 SNR 场景提出基于迭代估计的最大似然方法但随着参数维度增加迭代方法不可避免地面临处理速度慢的问题。与此同时无线网络产生了海量数据借助最先进的机器学习ML技术可从中提取有用信息。已有部分研究探索了机器学习在 DoA 估计中的应用有研究基于支持向量机SVM将近场 DoA 估计建模为分类问题有研究将深度神经网络DNNs应用于远场声学 DoA 估计但该分类模型不适用于近场估计支持向量回归SVR方法也被用于近场源 DoA 估计实值 DNNRVNN则被设计用于混合大规模 MIMO 信道的 DoA 估计。传统上复数值信号被拆分为实部和虚部后输入网络但这种处理方式可能丢失实部与虚部之间的相关性导致相位信息损失。现有深度学习方法多聚焦于实域但许多无线通信问题需在复域中解决。将复数值神经网络CVNN与无线信号处理相结合有望推动智能无线电的发展。复数值深度学习CVDL方法指能够执行复算术运算、权重参数为复数值的深度神经网络已被应用于图像和语音处理但在近场 DoA 估计中的应用仍存在诸多挑战传统近场方法需高 SNR、多快照或在线迭代估计难以实现实时 DoA 估计且针对近场 DoA 估计的深度学习方法研究有限基于空间谱搜索和分类的机器学习方法在粗网格下无法满足精度要求实值网络拆分复数值数据会破坏其结构近场信号的 DoA 与距离参数存在耦合使得基于 CVDL 的 DoA 估计并非直接可行输入特征、激活函数和损失函数的设计亟待探索。主要贡献本文提出一种新型 CVDL 辅助的近场 MIMO 系统 DoA 估计方法将 DoA 估计视为端到端回归任务而非分类问题主要贡献如下从机器学习角度将近场 DoA 估计视为输入数据的相位特征提取过程无需繁琐的基于网格的分类训练端到端深度网络直接处理复数值任务以实现角度估计设计基于重构 VCM 而非完整或半协方差矩阵的新特征作为 CVNN 输入大幅降低网络计算复杂度将近场二维参数估计问题转化为一维 DoA 估计问题消除距离与方向的复杂耦合提出一维卷积复数值残差网络处理一维复特征设计带 shortcut 连接的残差块架构保证训练稳定性针对 DoA 估计任务设计相位映射激活函数并根据数据集分布在对应神经元层选择不同复数值激活函数对比不同损失函数的训练结果确定适用于该回归任务的损失函数提升预测精度提出基于裁剪 VCM 的方案实现适用于不同天线尺寸的通用 CVNN 模型无需重新设计网络且通过固定输入形状降低计算成本。方法简介系统模型本文考虑由多个移动终端MTs和配备多天线的接入点AP组成的短距离通信系统AP 与终端设备的距离通常不超过 10 米存在视距LoS传播特性。在大规模 MIMO 场景中大阵列尺寸导致瑞利距离增大远场假设失效需采用近场球面波前模型。针对均匀线性阵列ULA推导了近场条件下的接收信号模型阵列导向向量受距离和方向的共同影响呈现非线性耦合特性而远场模型中阵列导向向量的相位差仅与 DoA 呈线性关系。预处理与特征提取为解决近场参数耦合导致的学习障碍本文提出信号预处理方案利用远场协方差矩阵的埃尔米特和托普利兹特性构建虚拟协方差矩阵VCM逼近远场协方差矩阵消除距离参数对信号子空间的干扰。通过对 VCM 进行奇异值分解SVD得到与远场信号子空间等价的特征向量矩阵提取的特征仅包含 DoA 信息实现距离与方向的解耦。复数值深度网络架构设计的复数值残差网络由卷积层与池化层交替模块、展平层和全连接层组成残差块包含两个一维卷积层通过 shortcut 连接实现输入与非线性变换结果的线性叠加保证训练稳定性采用最大池化层分别对复数值的实部和虚部进行处理保留关键特征激活函数方面卷积层采用有界的 Ctanh 函数避免奇异点全连接层采用 tanh 函数增强小预测差异的梯度提升设计相位映射激活函数实现从复域到实域的映射便于预测误差计算训练策略上将任意 N 元天线的 VCM 裁剪为固定尺寸以信号子空间向量作为训练样本采用随机梯度下降SGD和 Adam 算法更新参数选择平均绝对误差MAE作为损失函数。复杂度分析通过浮点运算次数FLOPs衡量网络计算复杂度所提 CVNN 的计算复杂度低于传统实值网络RVNN且无需通过增加网络深度和维度进行暴力拟合能保持复域内的运算结构。结论本文设计了一种用于近场 DoA 估计的复数值深度网络将 DoA 估计建模为端到端回归任务。通过重构 VCM 实现距离与角度参数的解耦使回归任务能够顺利学习角度变化信息针对该回归任务设计的一维卷积残差网络结合 MAE 损失函数提升了训练效果。仿真结果表明所提 CVDL 模型在近场波达方向估计性能上优于基线方法且具有良好的泛化能力能够适配不同信噪比、快照数量和天线尺寸的场景。