Modeling of Time-varying Wireless Communication Channel with Fading and Shadowing

实时量化无线信道对传输信号的影响对于分析和智能设计各种服务的无线通信系统至关重要。最近，使用深度学习神经网络模拟与编码、调制、信号处理等无关的信道特性的机制是有前途的解决方案。然而，目前的方法既不具有统计准确性，也不能适应不断变化的环境。在本文中，我们提出了一种新的方法，将深度学习神经网络与混合密度网络模型相结合，以推导出一般无线通信系统中给定通信距离的接收功率的条件概率密度函数（PDF）。此外，设计和实现了一种深度迁移学习方案，使信道模型能够动态适应通信环境的变化。对具有路径损耗和噪声的Nakagami衰落信道模型和对数正态阴影信道模型进行的大量实验表明，新方法比以前基于深度学习的信道模型更具统计准确性、更快、更健壮。

论文旨在解决无线通信系统中实时量化无线信道对发送信号的影响的问题。当前深度学习神经网络的方法不够准确且无法适应环境变化，因此需要提出新的方法。

论文提出了一种新的方法，将深度学习神经网络与混合密度网络模型相结合，以推导出在一般无线通信系统中，给定通信距离的接收功率的条件概率密度函数（PDF）。此外，设计并实现了深度转移学习方案，使信道模型能够动态适应通信环境的变化。

论文在Nakagami衰落信道模型和对数正态阴影信道模型的路径损耗和噪声下进行了广泛的实验，结果表明新方法比以前的基于深度学习的信道模型更加准确、更快、更健壮。

最近的相关研究包括使用深度学习神经网络建模信道，但这些方法通常不够准确或无法适应环境变化。