[论文解读] Propagation Channel Modeling by Deep learning Techniques

Shirin Seyedsalehi, Vahid Pourahmadi+2 more|arXiv (Cornell University)|Aug 19, 2019

Digital Media Forensic Detection参考文献 3被引用 8

一句话总结

本文提出了一种基于深度学习的传播信道模型，将时频信道响应视为图像，利用深度卷积生成对抗网络（DCGAN）学习其统计分布，并采用StarGAN实现用户速度自适应。该模型与真实测量数据具有高度的统计相似性，新提出的倒谱距离度量（CDM）显示，在25 km/h速度下生成的信道与实际数据的差异仅为1.56×10⁻⁵ CDM。

ABSTRACT

Channel, as the medium for the propagation of electromagnetic waves, is one of the most important parts of a communication system. Being aware of how the channel affects the propagation waves is essential for designing, optimization and performance analysis of a communication system. For this purpose, a proper channel model is needed. This paper presents a novel propagation channel model which considers the time-frequency response of the channel as an image. It models the distribution of these channel images using Deep Convolutional Generative Adversarial Networks. Moreover, for the measurements with different user speeds, the user speed is considered as an auxiliary parameter for the model. StarGAN as an image-to-image translation technique is used to change the generated channel images with respect to the desired user speed. The performance of the proposed model is evaluated using existing metrics. Furthermore, to capture 2D similarity in both time and frequency, a new metric is introduced. Using this metric, the generated channels show significant statistical similarity to the measurement data.

研究动机与目标

• 解决传统参数化信道模型依赖严格假设、在复杂传播环境中表现受限的问题。
• 克服类似射线追踪等确定性模型计算成本高且依赖特定站点的问题。
• 开发一种数据驱动的非参数化信道建模框架，能够从真实或仿真测量数据中学习复杂统计分布。
• 在无需从头训练的前提下，实现对不同用户速度的逼真信道响应生成。
• 提出一种新度量，以更准确评估生成与测量信道数据在二维时频域上的相似性。

提出的方法

• 将信道的二维时频响应表示为图像，从而可应用计算机视觉技术。
• 训练深度卷积生成对抗网络（DCGAN），以学习参考用户速度下的信道图像分布。
• 利用StarGAN——一种图像到图像的转换模型——通过条件输入独热编码的速度向量，将生成的信道图像适配至不同用户速度。
• 在StarGAN框架中，将用户速度作为生成器和判别器网络的辅助条件输入。
• 采用两阶段训练流程：首先在参考速度数据上训练DCGAN，随后对StarGAN进行微调以实现速度自适应。
• 采用时频响应的均值自相关函数的倒谱距离度量（CDM）作为新型评估指标，以评估二维统计相似性。

实验结果

研究问题

• RQ1 深度学习模型是否能够在不依赖参数化假设的前提下，有效学习并生成逼真的时频信道响应？
• RQ2 基于GAN的模型在多大程度上能够捕捉不同用户速度下实测信道数据的统计分布？
• RQ3 像StarGAN这样的图像到图像转换模型，能否有效实现信道特征在不同用户速度之间的迁移？
• RQ4 所提出的倒谱距离度量（CDM）是否比传统度量（如LCR和AFD）更可靠地评估二维时频域相似性？
• RQ5 该模型是否能在保持统计保真度的前提下，泛化至不同信道类型（如ETU、EVA、INDOOR）？

主要发现

• 所提模型在生成与实测信道数据之间实现了高度的统计相似性，25 km/h速度下生成与实际ETU信道之间的倒谱距离度量（CDM）达到1.56×10⁻⁵。
• 对于同一信道类型（ETU），生成数据与实测数据之间的CDM值始终显著低于不同速度下生成数据与实测数据之间的CDM值（低一个数量级）。
• 该模型成功实现了信道图像在不同用户速度下的自适应：速度自适应网络在低速时减少时域变化，高速时增加时域变化，如图17所示的视觉验证。
• 所有用户速度下，生成信道的均值自相关函数与实测数据高度一致，如图15和图16所示。
• CDM度量能有效捕捉二维时频模式，揭示高速度（如100 km/h）下的信道统计特性彼此更接近，表现为更低的CDM值。
• 该模型在多种信道类型上表现出鲁棒性，包括仿真ETU、EVA和INDOOR模型，以及真实测量数据。