[论文解读] Millimeter Wave Channel Modeling via Generative Neural Networks

William Xia, Sundeep Rangan+5 more|arXiv (Cornell University)|Aug 25, 2020

Millimeter-Wave Propagation and Modeling参考文献 24被引用 5

一句话总结

本文提出了一种用于高分辨率毫米波信道建模的生成神经网络框架，采用两阶段方法：首先分类链路状态（视 Line-of-Sight / 非视 Line-of-Sight / 中断），然后利用条件变分自编码器生成详细的传播参数——路径损耗、延迟以及出发/到达角。该方法实现了基于数据的精确建模，且对先验假设依赖极少，通过 28 GHz 城市场景空中到地面信道的射线追踪数据进行了验证。

ABSTRACT

Statistical channel models are instrumental to design and evaluate wireless communication systems. In the millimeter wave bands, such models become acutely challenging; they must capture the delay, directions, and path gains, for each link and with high resolution. This paper presents a general modeling methodology based on training generative neural networks from data. The proposed generative model consists of a two-stage structure that first predicts the state of each link (line-of-sight, non-line-of-sight, or outage), and subsequently feeds this state into a conditional variational autoencoder that generates the path losses, delays, and angles of arrival and departure for all its propagation paths. Importantly, minimal prior assumptions are made, enabling the model to capture complex relationships within the data. The methodology is demonstrated for 28GHz air-to-ground channels in an urban environment, with training datasets produced by means of ray tracing.

研究动机与目标

• 为解决毫米波频段中高分辨率统计信道建模的挑战，其中对延迟、方向和路径增益的精确表示至关重要。
• 开发一种数据驱动的信道建模方法，以最小化对传播行为先验假设的依赖。
• 通过利用基于射线追踪生成的数据集训练的生成模型，实现实时且复杂的信道表示。
• 对毫米波链路的完整空间与时间特性进行建模，包括视 Line-of-Sight、非视 Line-of-Sight 和中断状态。
• 在 28 GHz 城市场景中展示该框架在空中到地面场景下的有效性。

提出的方法

• 提出一种两阶段生成模型：首先，分类器预测链路状态（视 Line-of-Sight、非视 Line-of-Sight 或中断）。
• 将预测的链路状态作为输入，输入至条件变分自编码器（C-VAE），用于生成详细的信道参数。
• C-VAE 对所有传播路径的路径损耗、传播延迟以及出发/到达角的联合分布进行建模。
• 模型在射线追踪生成的数据集上进行端到端训练，以捕捉真实的信道统计特性。
• 仅做极少的先验假设，使模型能够学习数据中复杂的非线性关系。
• 该框架支持基于环境上下文或节点位置的条件化信道状态生成。

实验结果

研究问题

• RQ1 深度生成模型能否有效捕捉毫米波信道复杂的时空特性？
• RQ2 两阶段神经网络架构在多大程度上能够对毫米波传播中路径损耗、延迟和角度的联合分布进行建模？
• RQ3 该模型在城市环境中对不同传播条件（视 Line-of-Sight、非视 Line-of-Sight、中断）的泛化能力如何？
• RQ4 该模型能否在无需强参数假设的前提下实现高分辨率信道表示？
• RQ5 与传统统计模型相比，该生成模型在保真度和真实感方面表现如何？

主要发现

• 所提出的两阶段生成模型成功捕捉了毫米波信道中路径损耗、延迟以及出发/到达角的联合分布。
• 该模型实现了对信道特性的高保真度表示，包括对视 Line-of-Sight、非视 Line-of-Sight 和中断状态的精确建模。
• 通过最小化先验假设，模型从射线追踪数据中学习到了毫米波传播数据中的复杂非线性关系。
• 该框架在 28 GHz 城市场景空中到地面信道中展现出强大的泛化能力。
• 条件变分自编码器能够基于链路状态生成逼真的信道参数，从而提升建模精度。
• 该方法为毫米波系统提供了一种可扩展、数据驱动的传统参数化信道模型的替代方案。