مقاله یک چارچوب مبتنی بر هایپرشبکه برای پیش بینی کانال های غیر ثابت

چکیده

In order to break through the development bottleneck of modern wireless communication networks, a critical issue is the out-of-date channel state information (CSI) in high mobility scenarios. In general, non-stationary CSI has statistical properties which vary with time, implying that the data distribution changes continuously over time. This temporal distribution shift behavior undermines the accurate channel prediction and it is still an open problem in the related literature. In this paper, a hypernetwork based framework is proposed for non-stationary channel prediction. The framework aims to dynamically update the neural network (NN) parameters as the wireless channel changes to automatically adapt to various input CSI distributions. Based on this framework, we focus on low-complexity hypernetwork design and present a deep learning (DL) based channel prediction method, termed as LPCNet, which improves the CSI prediction accuracy with acceptable complexity. Moreover, to maximize the achievable downlink spectral efficiency (SE), a joint channel prediction and beamforming (BF) method is developed, termed as JLPCNet, which seeks to predict the BF vector. Our numerical results showcase the effectiveness and flexibility of the proposed framework, and demonstrate the superior performance of LPCNet and JLPCNet in various scenarios for fixed and varying user speeds.

چکیده به فارسی (ترجمه ماشینی)

به منظور از بین بردن تنگنای توسعه شبکه های ارتباطی بی سیم مدرن ، یک مسئله مهم ، اطلاعات حالت کانال خارج از روز (CSI) در سناریوهای تحرک بالا است.به طور کلی ، CSI غیر ثابت دارای خواص آماری است که با گذشت زمان متفاوت است و دلالت بر این دارد که توزیع داده ها به مرور زمان تغییر می کند.این رفتار تغییر توزیع زمانی پیش بینی دقیق کانال را تضعیف می کند و هنوز هم در ادبیات مرتبط یک مشکل باز است.در این مقاله ، یک چارچوب مبتنی بر Hypernetwork برای پیش بینی کانال غیر ثابت ارائه شده است.این چارچوب با هدف تغییر پویا پارامترهای شبکه عصبی (NN) با تغییر کانال بی سیم برای سازگاری خودکار با توزیع های مختلف CSI.بر اساس این چارچوب ، ما بر روی طراحی Hypernetwork کم نظیر تمرکز می کنیم و یک روش پیش بینی کانال مبتنی بر یادگیری عمیق (DL) را ارائه می دهیم ، که به عنوان LPCNET گفته می شود ، که دقت پیش بینی CSI را با پیچیدگی قابل قبول بهبود می بخشد.علاوه بر این ، برای به حداکثر رساندن راندمان طیفی downlink قابل دستیابی (SE) ، یک روش پیش بینی کانال مشترک و روش پرتو (BF) تهیه شده است که به عنوان JLPCNET نامیده می شود ، که به دنبال پیش بینی بردار BF است.نتایج عددی ما اثربخشی و انعطاف پذیری چارچوب پیشنهادی را نشان می دهد و عملکرد برتر LPCNET و JLPCNET را در سناریوهای مختلف برای سرعتهای ثابت و متفاوت کاربر نشان می دهد.