预测无线MmWave大规模MIMO信道特性使用机器学习算法

文摘

信道特性提出了一种预测程序基于一个著名的机器学习(ML)算法和卷积神经网络(CNN),对三维(3 d)毫米波(mmWave)大规模的多输入多输出(MIMO)室内通道。通道参数,如振幅、延迟,方位角出发(AAoD),仰角出发(EAoD),到达方位角(AAoA)和仰角的到来(EAoA),是由光线追迹软件生成的。数据预处理后,我们可以获得信道的统计特性(包括预期和利差的上述参数)训练CNN。任何子信道的信道统计特性在一个指定的室内场景中可以预测当发射机的位置信息(Tx)天线和接收机(Rx)天线是由有限的数据输入到CNN训练。预测信道统计特性可以符合实际信道的统计特性。误差概率密度函数(pdf)广场和均方根误差(rmse)信道的统计特性也进行了分析。

1。介绍

第五代(5克)无线通信网络小说有很多要求,如系统容量的1000倍的第四代(4 g)网络、宽频率范围(覆盖毫米波(mmWave)乐队,例如,450 mhz - 100 GHz),增加数据速率,减少延迟,能量,和成本(1- - - - - -6]。为了满足上述要求,一些先进技术,如mmWave和大规模的多输入多输出(MIMO),提出了在建模频道和带来了新的挑战。由于无线通信系统的性能必然是由信道特征(7),一个精确的信道模型在设计中起着重要的作用,评估,开发无线通信系统。5 g无线通信信道模型,如移动和无线通讯二千零二十年信息社会推动者(混血儿)通道模型8),毫米波进化为回程和访问(MiWEBA)通道模型9),ITU-R imt - 2020通道模型(10),成本2100通道模型11,12],IEEE 802.11 ay通道模型[13),基于毫米波第五代移动无线接入网络的综合通信(mmMAGIC)通道模型14),拟确定的无线电频道发电机用户手册和文档(战车)通道模型15,16),和一般的三维(3 d)的非平稳5 g通道模型(17),可分为确定性和随机信道模型。作为最重要的5 g无线通信网络技术,大规模分布式天线和mmWave也引起了极大关注。根据大规模分布式天线和mmWave室内信道测量(18)、作者(19)做了大规模的分布式天线和mmWave信道参数估计。作者在20.]总结最近大规模的MIMO信道测量和模型。上述模型是复杂和难以使用。所以一个革命性的通道模型是必要的。

爆炸式增长的频率/带宽,天线,和新的服务/场景将产生大量数据,使研究5 g无线通讯时代的人工智能(AI) (21,22]。机器学习(ML),作为人工智能的一个重要分支,已经收到了广泛的关注由于其功能的挖掘有价值的和隐藏的规则从巨大的未知的信道信息。它可以利用的低复杂度的随机信道模型和确定的信道模型的准确性。作为一个传统ML算法,卷积神经网络(CNN)展品良好的压缩性能和处理冗余通道信息23]。

直到现在,有两种类型的人工智能的应用5 g无线通信通道。一个是基于统计学习方法测量数据预处理,如聚类算法。Kernel-Power-Density算法提出了(24)使用内核密度和只考虑相邻点时计算密度。作者在25)提出了一个新颖的聚类框架基于Kernel-Power-Density算法和海拔的角度考虑。Kuhn-Munkres算法解决跟踪问题(26]。的卡尔曼滤波器27)被用来预测跟踪集群和集群的位置。此外,其他一些算法被用于集群识别测量数据预处理,如KPowerMeans算法(28和层次树29日]。上述聚类算法扮演了一个重要的角色在传统基于集群随机信道模型,如成本2100通道模型和赢家通道模型,但它不能预测信道特征。另一个是基于ML算法预测信道特征之间的映射关系可以挖掘物理环境信息和信道特性。函数之间的频率、距离和路径损耗(PL)模拟了两种类型的人工神经网络(ann),即多层感知器(MLP)和径向基函数(RBF) (30.- - - - - -34]。在[35),PL也被建模为一个映射延迟中长期规划和大气之间的关系。作者在36]和[37由RBF)建模的多普勒频移和中长期规划,分别。通道特征之间的映射关系和地理位置是由一个前馈网络建模(FFN) (38]和[DeepFi架构39]。车载无线频道60 GHz被FFN建模和RBF网络(40,41]。作者在42)提出了一个三层结构基于ML -“波、cluster-nuclei和频道”。现有的大部分研究工作只能得到单通道特征之间的映射关系和物理信道环境信息,但无法预测综合频道的特点。同时,任何子信道的信道特征在特定情况下无法预测到目前为止,尽管他们对信道估计和通信质量起着重要的作用。CNN可以压缩和处理冗余通道的信息,但它没有被应用于信道特性的预测。

在本文中,我们提出一个AI启用过程预测信道统计特性基于CNN获得位置信息之间的映射关系的发射器(Tx)和接收器(Rx)天线和几乎所有的振幅的特点,延迟和角度。主要的贡献本文的总结如下:(1)过程预测信道统计特性的基础上指定了3 d mmWave CNN室内通道提出了本文。Tx的位置信息和Rx天线,CNN可以预测11综合信道统计特性,包括PL、延迟扩展(DS),延迟意味着(DM)、方位角的离职(AAMD),到达方位角的意思(AAMA)、方位角分布出发(AASD),到达方位角分布(AASA),仰角的离职(EAMD),仰角的到来(EAMA),仰角出发(2型),传播和仰角传播到达(EASA认证)。(2)这是第一次比较五种不同的无线信道特征的数据集,不同的方式收集的。通过比较他们的培训效果,我们可以获得更好的规则生成和收集的数据。因此,它有深远的指导意义的数据生成和收集。

我们论文的其余部分组织如下。启用了AI程序预测信道统计特性部分所示2。节3两个室内场景,我们描述的数据收集和数据预处理的原则。本节给出五个数据集。拟议的CNN部分所示4。节5,我们将讨论和分析结果。结论和未来的工作给出了部分6。

2。系统模型

AI启用过程的流程图来预测信道统计特性如图1。首先,我们建立了室内场景和获取模拟频道信息。在这个时候,我们构建两个三维室内场景通过设置大小和材料的房间和光线追迹软件中的对象。然后我们可以获得多路径组件参数(振幅、延迟开航方位角(AAoD),仰角出发(EAoD),到达方位角(AAoA)和仰角的到来(EAoA))。我们做数据预处理获得信道的统计特性(PL、DM、DS、AAMA AASA, AAMD, AASD, EAMA, EASA认证,EAMD,和2)来构建数据集。指定的室内场景的数据集构建分离为两组随机7:3的比例。一个训练集,另一个是验证样本集。在训练集和验证集的3 d Tx和Rx作为输入向量的坐标和信道统计特性作为输出向量。训练集用于火车CNN。验证的输入向量集中投入CNN获得预测输出向量。是否培训CNN再次决定通过比较和分析均方根误差(rmse)和概率密度函数(pdf)预测输出向量和输出向量之间的验证集。更详细的信息将在以下部分所示。

3所示。数据库生成

光线追迹软件、无线注射屋(43),是用于构建模拟数据集。射线追踪是一个经典的确定性方法用于建模无线电传播。它是基于几何光学(去)和均匀的衍射理论(UTD)。射线和对象之间的交互可以分为反射、透射、散射和衍射。通过跟踪路径在一个指定的场景中,我们构建的模拟器,可以获得所有可能的射线,我们可以得到参数向量的th 多路径之间的th Tx天线和th Rx天线;也就是说, 在哪里 ,振幅、延迟、AAoD、EAoD AAoA,和EAoA吗th多路径之间的th Tx天线和分别th Rx天线。

3.1。数据生成的描述

验证的一般预测能力CNN,我们构建两个室内场景在无线注射屋收集多路径组件参数。一个是虚拟教室场景如图2;另一个是真正的实验室场景如图3。

3.1.1。虚拟教室的场景

虚拟教室环境 米³12桌子的大小 米³。桌子的间隔是沿着x轴0.6米和0.8米的轴。桌子是用木头做的。天花板是混凝土做的。地板和墙壁都是由3 - layer介质(44]。教室的布局图所示2(一个)。图2 (b)展示了三维射线跟踪场景课堂构建的无线注射屋。

在这个虚拟的场景中,最多3订单1反射和衍射级模拟。在模拟道路允许的最大数量是250。对模拟的复杂性,我们不考虑表面粗糙度引起的散射而引起的功率损耗计算对象的粗糙表面反射系数乘以粗糙度系数。载波频率和带宽设置为60 GHz和2 GHz,分别。评估数据收集的性能,两个数据集。在 随机数据集(10100 R, R代表随机)的虚拟教室的场景中,我们建立了10 Tx各向同性天线在各个方向和100年0 dBi天线增益Rx各向同性天线随机位置信息获取1000子信道的多径参数。32 Tx各向同性天线和32 Rx各向同性天线随机设置在3232随机数据集(3232 R, R代表随机)的虚拟教室场景获得1024子信道的信道参数。在室内上行通信场景中,tx可以移动电话、笔记本电脑、ipad、等,而处方通常访问点(APs)位于天花板。在虚拟教室环境中,我们假设tx的高度是1.5米,rx的高度是3米。

3.1.2。实验室的情况

的大小大约是实验室场景 米³。混凝土地板和天花板,但装饰着antistatic-electricity董事会。它有四条边的墙壁。一个是隔墙是石膏做的板,和其他的墙是用混凝土做成的。两个高建造小窗口在一面墙而大窗户几乎覆盖墙的另一边。实验室配备有多个桌椅,电脑等办公家具,书架和电子设备。桌子的磨砂面刨花板桌面水平高度约0.75米,但有两个或三个额外的0.45护墙板。椅子是由织物覆盖系数和金属和塑料的支持。上述建筑和家具材料的电磁特性是由很多材料测量特征(45- - - - - -47]。有一个小储藏室的角落实验室。实验室的照片和布局图所示3(一个)和3 (b),分别。图3 (c)展示了实验室的三维射线跟踪场景构建无线注射屋。

书籍和电脑显示器等实验室用品桌上不是建模的三维射线跟踪场景中,因为他们的不规则形状导致显著增加计算复杂度和跟踪它们的高护墙板通常在桌面上。同样,我们也忽视了椅子的场景建模,因为他们是高约0.8米,低于天线位置附近的课桌和椅子。由于实验室场景是更复杂的比虚拟教室,最多5订单的反射,3订单的传播,和1阶衍射模拟的射线追踪这个实验室场景的设置。传播路径的最大数量是250。载波频率和带宽设置为60 GHz和2 GHz,分别。评估的性能数据收集,三个数据集。在 随机数据集(3030 R, R代表随机)实验室的场景中,我们建立了30 Tx各向同性天线和30 Rx各向同性天线随机位置信息获取渠道900子信道的参数。30 Tx各向同性天线和30 Rx网格建立的各向同性天线间隔1 m 网格数据集(3030 G, G代表网格)的实验室场景获得900子信道的多路径组件参数。同样,211年Tx各向同性天线和211年Rx设立的各向同性天线网格在0.4米的间隔 网格数据集(211211 G, G代表网格)的实验室场景44521子信道的信道参数。在实验室环境中,我们假设tx的高度是1.5米,rx的高度是2.7米。

3.2。数据处理

简洁,我们使用信道特征向量而不是250多路径的参数向量;也就是说, 在哪里PL的子通道吗th Tx天线th Rx天线,DS (DM)的子通道th Tx天线th Rx天线, ,AAMD、AAMA AASD AASA,分别和 ,EAMD EAMA, 2,分别和EASA认证。他们可以进一步表示为

数据预处理后,数据集的细节如表所示1。我们将总样本分成训练集和验证集的随机7:3的比例。

4所示。架构提出了CNN的信道特性的预测

CNN的架构提出了图4。它包含两个主要阶段:第一阶段配置两个卷积层和第二阶段配置四个致密层也称为完全连接层。它需要大量的迭代获得合适的神经网络收敛阈值节点和连接的权重最小的损失。输入向量的3 d坐标吗th Tx天线和th Rx天线。输出向量是信道特征向量之间的子通道th Tx和th Rx 。他们可以表示为

第一个卷积层过滤器 输入向量和16内核的大小 。第二个卷积层以第一次卷积层的输出作为输入和过滤器32内核的大小 。两个卷积层步伐的一个节点。我们零垫激活匹配特征的数量。每次卷积层后,批正常化(48)和修正线性单元(ReLU)放置加速模型收敛。第二次的输出卷积然后完全连接到16层神经元。下面的致密层有16个,32岁,64年,分别和1神经元。为了获得优化的培训结果,我们训练11频道特点分别由CNN。每一次我们都输入6的元素在CNN和输出1的元素 。ReLU被放置在每一个致密层除了最后一层。与计算机视觉,我们不池层卷积层之间的地方,因为我们的网络的输入是只有6节点相对稀疏的比一般包含数以百万计的像素的图像。池层将丢失有用的信息,使模型收敛在一个较高的损失。

如表所示2这个模型,总共有7280个参数。大多数参数之间的第二次卷积层和致密层。这些参数的数量占总数的42.20%的模型参数。

CNN的一个输出节点设计。11种不同的标签(PL、DM、DS、AAMA AASA, AAMD, AASD, EAMA, EASA认证,EAMD,和2)分别用于训练CNN至少获得不同重量的损失。一旦确定标签,损失函数和反向传播应用的端到端。均方误差(MSE)函数作为损失函数在所有美国有线电视新闻网11标签。学习速率是固定在一次训练。我们使用了一个平等的学习速率在0.0001初始化所有层。均方根传播(RMSProp) (49)与0.9和平滑因子的势头用于优化模型的权重。更新规则的重量是 在哪里是迭代索引,是学习速率,光滑因子,然后呢当前迭代的梯度是什么 。

Glorot均匀初始化(50),也称Xavier统一初始化器,用于初始化每一层的权重。重量是随机均匀分布在造出来的 与 在哪里输入单位和数量吗是输出的数量单位重量的张量。我们初始化两个卷积层和致密层中的神经元偏见与常量0。这个初始化加速学习的早期阶段通过提供ReLUs积极投入。

5。结果和分析

本节的目标是双重的。第一个目的是验证两个室内场景的CNN。第二,我们将五个不同数据集之间进行比较分析数据集在CNN的影响。

5.1。配件之间的预测和实际信道特性

在虚拟教室的场景和实验室场景中,所有生成的预测信道统计特性CNN与信道统计特性较好的协议产生的射线追踪软件。在数据5- - - - - -7,我们的配件PL、DM和AAMA预测结果和虚拟仿真数据之间的两个场景,分别。我们可以看到,CNN的预测能力很好,我们可以用这种方法来预测仿真数据有限的信道统计特性在指定的室内场景。这表明,人工智能是有意义的信道建模。无线通信中的大规模数据应该充分利用和探索,使无线通信网络的性能更好。

5.2。RMSE

评估和比较CNN表演不同的数据集,我们计算之间的RMSE预测信道统计特性和虚拟仿真信道统计特性;也就是说, 在哪里RMSE通道的特点吗 ,如PL、DM、DS、AAMA AASA, AAMD, AASD, EAMA, EASA认证,EAMD和2型。和表示信道的预测结果和虚拟仿真结果特点,分别。

信道统计特性的rms和两个数据集在虚拟场景中列出的表3。火车损失(TL)之间的RMSE通道特征由CNN和生成虚拟模拟通道特征在训练数据。验证损失(重要)之间的RMSE信道特性预测的CNN和虚拟测量通道特性的测试数据。在表3,重要的信道统计特性的10100 r总是大于TL。类似的结果显示在3232 r。CNN的参数训练基于MSE优化器在火车上数据,测试数据和训练数据的完全不同。所以不能优化测试数据的结果一样的训练数据。CNN的性能在10100比3232 r,这是最明显的PL。TL的PL 10100 r(0.6408)是在3232年只有14.26%的r (4.4932)。PL的六世在10100 r(0.9586)是在3232年只有20.04%的r (4.7832)。

信道统计特性的rms和两个数据集在实验室场景表中列出4。如我们所见,CNN在3030 g的性能优于3030 r,这是最明显的PL。TL的PL 3030 g(1.0616)是在3030年只有34.70%的r (3.0590)。PL的六世在3030 g(1.3186)是在3030年只有41.27%的r (3.1949)。CNN在211211 g的性能优于3030克,这是AAMD最明显。AAMD的TL 211211 g(6.7187)只有47.27%的3030 g (14.2148)。六世的AAMD 211211 g(7.1652)只有35.24%的3030 g (20.3331)。

有1024个样本和1000个样本在3232和10100 r,分别。两个数据集的样本数据属于同一大小的顺序,和他们两人当tx和rx是随机生成。根据指定的Tx天线位置,有100个样本不同Rx 10100 r天线位置,而只有32个样本不同的Rx天线位置在3232 r。前者是更不同和健壮,解释说,10100比3232 r的性能。性能是由数据的鲁棒性甚至在相同大小的顺序。它是由数据的鲁棒性。对比3030克和3030 r的性能表明,网格的数据收集是更好的比随机的。对比211211 g和3030 g的性能表明,更健壮的数据生成的指定集合的方式导致了更好的预测性能。上述结论对数据收集有重要意义。

5.3。PDF通道特征误差的平方

进一步分析的五个不同的数据集的性能,信道统计特性误差平方的PDF可以显示通道的分布统计特性误差平方给出图8。糖尿病和AAMA误差平方的pdf数据所示8(一个)和8 (b),分别。针对火车损失和验证损失211211 g的实验室场景仅略低于3030克的实验室场景表4,大型数据集的优势不是很明显,如果我们花时间和能源消耗的数据收集。然而,数据8(一个)和8 (b)表明,211211 g的核心优势在实验室场景是误差平方的pdf的比例准确预测信道特性(误差平方= 0)是非常大的。最好是较低的信道特性误差平方具有较高的概率,反之亦然。在图8 (b),准确预测的比例AAMA 3232 r在虚拟场景中(误差平方= 0)大于10100 r在虚拟的场景中,但比例预测AAMA高误差平方3232 r在虚拟场景中也比10100 r在虚拟教室的场景。舰队PDF信道特性误差平方的下降趋势是我们的预期。

6。结论和未来的工作

启用了AI程序预测信道统计特性提出了本文。大规模分布式天线的信道参数和mmWave室内通道已经被光线追迹软件生成无线注射屋。数据预处理后的信道统计特性,如PL, DM, DS, AAMA, AASA, AAMD, AASD, EAMA, EASA认证,CNN EAMD,和2型,可以预测的。一个虚拟教室场景和一个真正的实验室场景建立了验证该算法。预测信道之间的良好的配件统计特征和真正的信道统计特性已被证明。通过比较不同数据集之间的性能,更好的数据收集规则也被提出。艾城的泛化启用过程预测信道统计特性的更多场景是今后需要解决的一项重要任务。

数据可用性

如果要求提供的数据。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者欣然承认中国的国家自然科学基金的支持(没有。61771293)、广州(没有的科技项目。201704030105),EPSRC犀鸟项目(没有。EP / L020009/1),欧盟H2020 5 g无线项目(没有。641985),欧盟H2020试验台项目(没有上升。734325),山东的主要研发项目(没有。2016 ggx101014),山东大学(没有的基础研究基金。2017 jc029),山东的泰山学者计划。

引用

1. j·g·安德鲁斯,布吉,w . Choi et al .,“5 g是什么?”IEEE在选定地区通讯》杂志上,32卷,不。6,1065 - 1082年,2014页。视图:出版商的网站|谷歌学术搜索
2. 华为”,5 g技术视野,”白皮书,https://www.huawei.com/ilink/en/download/HW_314849。视图:谷歌学术搜索
3. 三星,“5 g的视野,”白皮书,https://www.samsung.com/global/business/networks/insights/5g-vision/。视图:谷歌学术搜索
4. 即加斯帕和g .奇迹”,5 g移动通信场景和系统需求,”技术。代表,2013年,https://www.5gnow.eu/。视图:谷歌学术搜索
5. C.-X。王,f·海德尔,x高et al .,“细胞5 g无线通信网络体系结构和关键技术,”IEEE通讯杂志,52卷,不。2、122 - 130年,2014页。视图:出版商的网站|谷歌学术搜索
6. x通用电气、涂,g .毛C.-X。王,t·汉”5 g超密度蜂窝网络,”IEEE无线通讯杂志,23卷,不。1,第79 - 72页,2016。视图:出版商的网站|谷歌学术搜索
7. a . Molish无线通信约翰·威利& Sons,伦敦,英国,2011年。
8. 诉Nurmela a . Karttunen a Roivainen et al .,“美逖斯通道模型,”梅蒂斯人ict - 317669 / D1.4 2015。视图:谷歌学术搜索
9. a . Maltsev a . Pudeyev i Bolotin et al .,“信道建模和描述,”MiWEBAfp7 - ict - 608637 / D5.1之下V1.0, 2014年。视图:谷歌学术搜索
10. ITU-R,”初步起草新报告ITU-R m (imt - 2020。EVAL)技术。众议员r15 wp5d - 170613 td - 0332, ITU-R,尼亚加拉大瀑布,加拿大,2017。视图:谷歌学术搜索
11. l . Liu c . Oestges j . Poutanen et al .,“2100 MIMO信道模型,成本”IEEE无线通讯杂志,19卷,不。6,92 - 98年,2012页。视图:出版商的网站|谷歌学术搜索
12. r . Verdone和a . Zanella无处不在的移动和无线通信环境施普林格,伦敦,英国,2012年。
13. a . Maltsev a . Pudeyev a Lomayev, Bolotin,“通道模型IEEE 802.11啊,”IEEE医生802.11 15/1150r9, 2016。视图:谷歌学术搜索
14. mmMAGIC”,基于毫米波第五代移动无线接入网络的综合通讯,”mmMAGICh2020 ict - 671650 mmmagic / D2.1 v1.0, 2016年。视图:谷歌学术搜索
15. a . Maltsev a . Pudeyev。卡尔et al .,“Quasi-deterministic mmWave信道建模方法在不稳定的环境中,”《IEEE Globecom研讨会(GC Wkshps 14)德克萨斯州奥斯汀市,页966 - 971,美国2014年12月。视图:出版商的网站|谷歌学术搜索
16. s . Jaeckel l . Raschkowski k·波尔纳,l·蒂埃尔“战车:3 d多单元通道模型随着时间的推移演变为使虚拟实地试验,”IEEE天线和传播,卷62,不。6,3242 - 3256年,2014页。视图:出版商的网站|谷歌学术搜索
17. 吴,C.-X。王,h . Aggoune m . m . Alwakeel和x你,“一般三维非平稳5 g无线信道模型,”IEEE通信,卷66,不。7,3065 - 3078年,2018页。视图:出版商的网站|谷歌学术搜索
18. j .黄C.-X。王,r·冯j .太阳,w·张,杨y,“多频mmWave大规模MIMO信道测量和表征5 g无线通信系统中,“IEEE在选定地区通讯》杂志上,35卷,不。7,1591 - 1605年,2017页。视图:出版商的网站|谷歌学术搜索
19. 黄r·冯·j·j .太阳和c·王,“一种新型三维频域SAGE算法与应用程序的参数估计mmWave大规模MIMO室内通道,”中国科学信息科学,60卷,不。8,2017。视图:出版商的网站|谷歌学术搜索
20. C.-X。王、吴,l .白x你,j . Wang和C.-L。我,”最新进展和未来的挑战巨大的MIMO信道测量和模型,”中国科学信息科学卷,59号2、硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
21. p .费朗德·m·阿马拉s瓦伦汀,m .但是”在无线信道建模发展的趋势和挑战电台访问,”IEEE通讯杂志,54卷,不。7,93 - 99年,2016页。视图:出版商的网站|谷歌学术搜索
22. Bi, r·张,z叮,崔,“无线通信在大数据时代,“IEEE通讯杂志,53卷,不。10日,190 - 199年,2015页。视图:出版商的网站|谷歌学术搜索
23. l . o . Chua和t·博通”,CNN范式”,我:IEEE电路和系统基本理论和应用程序,40卷,不。3、147 - 156年,1993页。视图:出版商的网站|谷歌学术搜索
24. r .他问:李,b . Ai et al .,“多路径组件的自动聚类算法基于kernel-power-density”IEEE无线通信和网络研讨会论文集(WCNC 17),页1 - 6,旧金山,加州,美国,2017年3月。视图:出版商的网站|谷歌学术搜索
25. r .他问:李,b . Ai et al .,“kernel-power-density-based通道多路径组件集群算法”,IEEE无线通信,16卷,不。11日,第7151 - 7138页,2017年。视图:出版商的网站|谷歌学术搜索
26. c .黄r .他z中,Y.-A。耿,问:李和z中,“小说Tracking-Based多路径组件聚类算法,IEEE天线和无线传播的信》16卷,第2683 - 2679页,2017年。视图:出版商的网站|谷歌学术搜索
27. n . Czink r, s . Wyne et al .,“集群跟踪时变参数MIMO信道测量,”第二届IEEE国际会议通信和网络在中国(CHINA-COM ' 07),第1151 - 1147页,上海,中国,2007年8月。视图:出版商的网站|谷歌学术搜索
28. n . Czink·塞拉j .萨罗城e . Bonek j。Nuutinen, j .马玉荣”框架自动聚类参数包括MIMO信道数据路径的权力,”IEEE 64车辆技术研讨会论文集(VTC-Fall 06年),页1 - 5,蒙特利尔,加拿大,2006年9月。视图:出版商的网站|谷歌学术搜索
29. n . Czink·塞拉j .萨罗城e . Bonek j。Nuutinen, j .马玉荣”自动聚类的MIMO信道参数使用多路径组件距离测量,”《无线个人多媒体通信国际研讨会(WPMC ' 05),2005年。视图:谷歌学术搜索
30. n . Zaarour坎迪尔地区进行n, n . Hakem”一个精确的神经网络方法在建模一个超宽频通道在一个地下矿山,”IEEE天线和传播学会学报》国际研讨会(APSURSI 13),页1608 - 1609,奥兰多,佛罗里达州,美国,2013年7月。视图:谷歌学术搜索
31. n Zaarour:坎迪尔地区:Hakem, c·德斯平”比较试验研究超宽频信道的路径损耗模型在我的环境中使用延时和RBF神经网络,”学报》第三届国际会议在地下无线通讯和限制区域(ICWCUCA 12),克莱蒙特费朗德,法国,2012年8月。视图:谷歌学术搜索
32. n . Zaarour s等于off:坎迪尔地区,n . Hakem”比较研究在60 GHz路径损耗信道建模使用神经网络,在矿山环境”《IEEE国际会议上无处不在的无线宽带(ICUWB 15)2015年10月,蒙特利尔,加拿大,。视图:谷歌学术搜索
33. n . m . Kalakh小镇走私泛滥,示威者开始坎迪尔地区,n . Hakem“神经网络模型的超宽频通道路径损耗在我的环境中,”IEEE 75车辆技术研讨会论文集(职业训练局春”12)2012年6月,日本横滨。视图:谷歌学术搜索
34. j .黄C.-X。王,l .白et al .,“大数据启用通道模型5 g无线通信系统,”IEEE大数据在出版社。视图:谷歌学术搜索
35. t . Moazzeni”,无线传播信道模型与气象数量使用神经网络,”IEEE GCC研讨会论文集(GCC 06年),页1 - 4,麦纳麦,巴林,2006年3月。视图:出版商的网站|谷歌学术搜索
36. 和郭y, y, k . Liu“人工神经网络建模方法电源交流多路径通道”《IEEE国际会议神经网络与信号处理2008年6月,镇江,中国,。视图:谷歌学术搜索
37. l . Lv”,用一种新颖的无线信道模型前馈神经网络”学报》第三届国际会议上自然计算(ICNC ' 07)海口,页730 - 734年,中国,2007年8月。视图:出版商的网站|谷歌学术搜索
38. x, x, x Cai, a·佩雷斯Yuste和h .徐”Neural-network-assisted问题定位在LTE网络,使用无线电频道指纹”IEEE访问,5卷,不。5,12071 - 12087年,2017页。视图:出版商的网站|谷歌学术搜索
39. l . x Wang高、毛s和s Pandey,“DeepFi:室内指纹使用信道状态信息,深度学习”IEEE无线通信和网络研讨会论文集(WCNC 15)新奥尔良,页1666 - 1671年,洛杉矶,美国,2015年3月。视图:出版商的网站|谷歌学术搜索
40. m . Kotol和z瑞达”,比较神经模型的超宽频和60 GHz车内传播渠道,”学报》国际会议为下一代网络宽带通信和多媒体应用(CoBCom 16)格拉茨,页1 - 4,奥地利,2016年9月。视图:出版商的网站|谷歌学术搜索
41. m . Kotol z瑞达,j . Velim”神经建模的车载无线频道:沿着汽车身体60 GHz,波传播”《IEEE-APS局部无线通信天线和传播会议(APWC 15)都灵,页279 - 282年,意大利,2015年9月。视图:出版商的网站|谷歌学术搜索
42. j .张“大数据和无线信道的跨学科研究:基于cluster-nuclei通道模型,”中国通信ID 7833457条,卷。13日,14日至26日,2016页。视图:出版商的网站|谷歌学术搜索
43. InSite无线传播的软件,https://www.remcom.com/wireless-insite-em-propagation-software。
44. ITU-R”,建筑材料和结构对无线电波传播的影响高于100 MHz,”ITU-RP.2040-1, 2015年。视图:谷歌学术搜索
45. 施泰因巴赫d . j . Lu, p .卡布罗尔·Pietraski和r . v . Pragada”传播特征的办公大楼在60 GHz乐队”学报》第八届欧洲会议上天线和传播(EuCAP 14),页809 - 813,海牙,荷兰,2014年4月。视图:出版商的网站|谷歌学术搜索
46. d·费雷拉Cuinas, r·f·Caldeirinha t·r·费尔南德斯,“回顾建筑材料的电磁特性描述微毫米波频率,”学报》第八届欧洲会议上天线和传播(EuCAP 14),页145 - 149,海牙,荷兰,2014年4月。视图:出版商的网站|谷歌学术搜索
47. k·科洛夫和m . Afsar“复杂介质材料介电常数的测量在毫米波段,”《红外和毫米波段联合30日国际会议(IRMMW-THz ' 05)弗吉尼亚州威廉斯堡,页594 - 595,美国2005年9月。视图:出版商的网站|谷歌学术搜索
48. 约飞和c . Szegedy“批量标准化:加速深层网络训练通过减少内部协变量转变,”https://arxiv.org/abs/1502.03167。视图:谷歌学术搜索
49. Keras文档,https://keras.io/。
50. x Glorot和y Bengio”理解的难度训练前馈神经网络,”机器学习研究杂志》上9卷,第256 - 249页,2010年。视图:谷歌学术搜索

版权

版权©2018路白等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。