[论文解读] Learning the Wireless V2I Channels Using Deep Neural Networks

Tianhao Li, Muhammad R. A. Khandaker+3 more|arXiv (Cornell University)|Jul 10, 2019

Millimeter-Wave Propagation and Modeling参考文献 17被引用 6

一句话总结

本文提出一种基于深度神经网络（DNN）的车辆到基础设施（V2I）通信信道预测方法，以应对快速时变信道和过时的信道状态信息（CSI）的挑战。通过在历史信道冲激响应（CIR）和已知导频信号上进行训练，DNN 学习信道的时序动态特性，并以高精度预测未来的 CIR，显著优于传统的最小二乘（LS）和最小均方误差（MMSE）估计器，尤其在具有高多普勒频移的高速移动场景中表现更优。

ABSTRACT

For high data rate wireless communication systems, developing an efficient channel estimation approach is extremely vital for channel detection and signal recovery. With the trend of high-mobility wireless communications between vehicles and vehicles-to-infrastructure (V2I), V2I communications pose additional challenges to obtaining real-time channel measurements. Deep learning (DL) techniques, in this context, offer learning ability and optimization capability that can approximate many kinds of functions. In this paper, we develop a DL-based channel prediction method to estimate channel responses for V2I communications. We have demonstrated how fast neural networks can learn V2I channel properties and the changing trend. The network is trained with a series of channel responses and known pilots, which then speculates the next channel response based on the acquired knowledge. The predicted channel is then used to evaluate the system performance.

研究动机与目标

• 解决高速移动 V2I 通信中实时、准确信道估计的挑战，传统方法因信道快速变化而失效。
• 降低在高速衰落、高多普勒环境（车辆网络中常见）中过时 CSI 的影响。
• 开发一种基于深度学习的方法，利用历史信道响应和车辆移动性数据（位置、速度）实现预测性信道估计。
• 通过最小化误比特率（BER）和均方误差（MSE），提升时变 V2I 信道中的系统性能。

提出的方法

• 使用一个包含 10 个神经元的隐藏层和线性输出层的前馈深度神经网络（DNN），从历史 CIR 序列中预测未来的信道冲激响应（CIR）。
• 采用基于预测 CIR 与实际 CIR 之间均方误差（MSE）的损失函数，通过反向传播算法进行训练。
• 训练数据由历史 CIR 序列和已知导频符号组成，输入特征包括车辆位置和速度，以建模移动性动态特性。
• 采用监督学习方式，将数据集划分为 70% 训练集、15% 验证集和 15% 测试集，以优化泛化能力。
• 使用从零开始实现和 MATLAB 的神经网络工具箱两种方式实现模型，以验证性能。
• 网络学习 CIR 中的时序相关性，即使在高多普勒频移和噪声环境下，也能实现对未来信道状态的预测。

实验结果

研究问题

• RQ1 深度神经网络能否有效利用历史 CIR 序列和移动性信息，预测时变的 V2I 信道响应？
• RQ2 在高速移动条件下，DNN 基于的预测方法与传统 LS 和 MMSE 估计器相比，在 BER 和 MSE 性能方面表现如何？
• RQ3 在高速衰落的 V2I 信道中，引入车辆位置和速度在多大程度上提升了信道预测的准确性？
• RQ4 DNN 方法在时变环境中对不同信噪比（SNR）是否保持鲁棒性能？
• RQ5 DNN 方法在未见过的信道条件，尤其是高多普勒场景下，是否具备良好的泛化能力？

主要发现

• DNN 方法在低 SNR 条件下显著低于 LS 和 MMSE 估计器的 MSE，且随着 SNR 增加，误差持续减小。
• DNN 模型在第 49 个训练周期时 MSE 最小，达到最佳性能，误差分布最为集中。
• DNN 的 BER 性能明显优于 LS，且在高速移动和高多普勒环境下与 MMSE 相当。
• 使用包含移动性信息（位置和速度）的输入训练的 DNN，在时变信道中表现出更强的泛化能力和更高的预测精度。
• DNN 输出与目标 CIR 非常接近，训练回归图中 R² 值较高，误差直方图分布紧密。
• 所提方法在快速衰落的 V2I 信道中优于传统方法，证明其在克服过时 CSI 和信道变化方面的有效性。