.png){kind=icon}
返回
GNN-Based Structured Bayesian Inference for Multi-Grid Localized Statistical Channel Modeling
.png){kind=icon}
PRE
AI
DOI：10.1109/TWC.2025.3547705.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于局部化的统计信道建模（LSCM）是一种为无线网络优化而提出的有效信道建模框架，它从波束级参考信号接收功率（RSRP）中学习下行信道的角功率谱（APS）。然而，传统的LSCM仅基于单一地理网格的RSRP测量，忽略了无线信道固有的空间一致性特性，导致性能次优。为此，我们从多个地理网格的角度考虑LSCM，并提出了一种新颖的图神经网络方法，称为加速的马尔可夫变分贝叶斯图神经网络（AMVB-GNN）。AMVB-GNN利用异构马尔可夫图表示来捕捉信道APS中的结构化稀疏性，并采用精化的变分贝叶斯推断（VBI）来学习多个网格的APS。值得注意的是，AMVB-GNN的设计消除了传统VBI所需的精确矩阵求逆运算，从而提高了计算效率。此外，我们证明了AMVB-GNN的部分排列等价性，确保了其可解释性和可靠性。为解决对真实APS标签的需求问题，我们提出了一个无监督训练损失函数。广泛的仿真实验验证了所提出的AMVB-GNN模型的有效性和效率。
Keyword:
Channel modeling
graph neural network
structured sparse recovery
variational Bayesian inference
permutation equivariance
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
暂无机构信息
引用论文
Deep Learning-Based Channel Estimation for Beamspace mmWave Massive MIMO Systems基于深度学习的波束空间毫米波大规模MIMO系统信道估计
OAAI
OAAI分享收藏A Stochastic Estimator of the Trace of the Influence Matrix for Laplacian Smoothing Splines拉普拉斯平滑样条的影响矩阵迹线的随机估计
PREAI
分享收藏Neural Enhanced Variational Bayesian Inference on Graphs for Localized Statistical Channel Modeling.png)
IF0
PREAI
分享收藏
查看更多内容