.png){kind=icon}
返回
Efficient Multidimensional Parameter Estimation Using Machine Learning-Assisted SAGE Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1109/LSP.2025.3588079.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多维参数估计是雷达、声纳和无线通信等领域的关键挑战，其中空间交替广义期望最大化（SAGE）算法常用于估计多径信道参数。本文提出了一种机器学习辅助的SAGE框架，将高斯过程回归（GPR）与两阶段优化策略相结合，以提高估计精度并降低计算复杂度。通过使用GPR代理模型，所提算法简化了似然函数的计算，显著降低了处理需求。此外，一种由粗到精的搜索机制缓解了网格失配问题。仿真结果表明，该算法能够高效估计六维多径信道参数（包括时延、二维出发角（2D-AoD）、二维到达角（2D-AoA）和幅度），在精度和计算效率方面均优于传统方法。
Keyword:
Machine learning
SAGE
optimization
parameter estimation
期刊
IF:
9.6
论文数:
1.1W
被引数:
1.7W
机构
引用论文
Channel parameter estimation for millimeter-wave cellular systems with hybrid beamforming.png)
SIGNAL PROCESSING
OAAI
SIGNAL PROCESSINGIF3.6
OAAI分享收藏
查看更多内容