随着第六代(6G)移动通信系统的发展,CSI(Channel State Information)是提升网络性能至关重要的信息。传统的信道图谱(Channel Charting)方法通过将高维CSI数据映射到低维空间,从而揭示无线信道与物理环境之间的关系。然而,现有的信道图...随着第六代(6G)移动通信系统的发展,CSI(Channel State Information)是提升网络性能至关重要的信息。传统的信道图谱(Channel Charting)方法通过将高维CSI数据映射到低维空间,从而揭示无线信道与物理环境之间的关系。然而,现有的信道图谱方法大多侧重于静态几何结构的学习,忽视了信道随时间变化的动态特性,导致在复杂动态环境中,信道图谱的稳定性和拓扑一致性较差。为了解决这一问题,提出了一种结合LSTM(Long Short-Term Memory)和AE(Auto-Encoder)的时序信道图谱构建方法(LSTM-AE-信道图谱),该方法在传统信道图谱框架的基础上融入了时序建模机制。通过引入LSTM网络捕捉CSI的时序依赖性,并使用AE学习低维的连续潜在表示,所提出的方法能够在保证信道几何一致性的同时,显式建模信道的时变特性。实验结果表明,所提出的方法在多个真实通信场景中均表现出了优异的性能,特别是在信道图谱的稳定性、轨迹连续性以及长期预测能力方面,相较于传统信道图谱方法,具有显著的优势。展开更多
针对通感一体化(Integrated Sensing and Communication,ISAC)系统因共享波形与硬件资源所致的单通道同频混叠分离困难及泛化性差等问题,提出一种单通道盲源分离的多尺度模态融合复数卷积神经网络算法。该算法采用编码器-分离器-解码器...针对通感一体化(Integrated Sensing and Communication,ISAC)系统因共享波形与硬件资源所致的单通道同频混叠分离困难及泛化性差等问题,提出一种单通道盲源分离的多尺度模态融合复数卷积神经网络算法。该算法采用编码器-分离器-解码器网络架构,通过多尺度模态分解与自适应汇聚构建多粒度且稳健的信号表征,基于复数时间卷积网络进行掩模估计,以完成源信号的端到端重构。仿真结果表明,在覆盖多制式调制和干扰叠加的ISAC场景下,所提算法的皮尔逊相关系数可达0.97,较经验模态分解-主成分分析-独立成分分析方法和TasNet算法分别提高了约44.7%和6.1%。所提算法在未参与训练的时延与载波频偏条件下,相关系数在不同参数配置间的最大波动均不超过0.004,表明其在时序失配与频偏扰动下仍能保持稳定的分离性能。展开更多
文摘针对通感一体化(Integrated Sensing and Communication,ISAC)系统因共享波形与硬件资源所致的单通道同频混叠分离困难及泛化性差等问题,提出一种单通道盲源分离的多尺度模态融合复数卷积神经网络算法。该算法采用编码器-分离器-解码器网络架构,通过多尺度模态分解与自适应汇聚构建多粒度且稳健的信号表征,基于复数时间卷积网络进行掩模估计,以完成源信号的端到端重构。仿真结果表明,在覆盖多制式调制和干扰叠加的ISAC场景下,所提算法的皮尔逊相关系数可达0.97,较经验模态分解-主成分分析-独立成分分析方法和TasNet算法分别提高了约44.7%和6.1%。所提算法在未参与训练的时延与载波频偏条件下,相关系数在不同参数配置间的最大波动均不超过0.004,表明其在时序失配与频偏扰动下仍能保持稳定的分离性能。
