Conformal Robust Beamforming via Generative Channel Models
针对传统中断约束波束成形依赖统计假设的局限,提出结合生成信道模型与保形预测的两阶段框架,通过最小-最大优化实现模型无关的鲁棒中断保证。
2025-05-26 eess.SP
Physics-Informed Generative Approaches for Wireless Channel Modeling
本研究将基于物理的几何信道建模框架与生成模型结合,通过线性化重构解决梯度流问题,生成几何可行且具物理洞察的信道数据,并在2-Wasserstein距离和下游压缩任务中验证其有效性。
2025-03-27 eess.SP
A Geometry-based Stochastic Wireless Channel Model using Generative Neural Networks
该研究针对几何确定性无线信道建模的高复杂度问题,提出用信道参数图像训练生成式神经网络构建GBSM,该模型可捕获多径相关性、可靠插值且仿真结果与射线追踪数据高度匹配,是高效的信道建模替代方案。
2026-08-04 eess.SP
Physics-based Generative Models for Geometrically Consistent and Interpretable Wireless Channel Synthesis
本文将参数化物理几何信道框架与生成方法结合,提出线性化重构解决非凸模型导致的次优驻点问题,生成了几何一致且参数可解释的无线信道,并在2-Wasserstein距离和下游压缩任务上验证了其优越性。
2025-05-31 eess.SP
Improved Blind Channel Estimation Performance by Nearby Channel Estimation
为了获得信道信息以供进一步的数据传输,不需要预先使用导频信号的盲信道估计是一种值得考虑的算法。为了提高盲信道估计算法的性能,采用了基于相邻用户导频信号的信道估计,将获取的相邻信道的估计信道信息作为目标用户盲信道估计的初始状态。在本研究中,我们考虑子空间盲信道估计方案。在子空间估计方法中,估计的相邻信道信息被支持为自相关矩阵的初始状态,从而提供减少信道估计误差的信息。从我们的仿真研究中,我们已经发现,当两个相邻信道之间的相关性是高的,子空间估计方法中的遗忘因子可以增加,从而增加矩阵的初始状态的权重,和一个更准确的信道状态估计。如果在两个相邻信道中相关系数降低,则可以适当地调整遗忘因子以提高来自目标信道的直接接收信号的权重,以避免错误增加。
2019-10-31 eess.SP
Estimation of Electrical Characteristics of Inhomogeneous Walls Using Generative Adversarial Networks
穿墙雷达是研究和开发用于检测、定位和跟踪室内环境中的人类活动的雷达。电磁波通过墙壁的传播在雷达特征中引入了折射、衰减、多径和虚目标。壁特征(介电轮廓和厚度)的估计可以使墙壁的影响,从穿墙雷达信号去卷积。我们建议使用生成对抗网络(GAN)来估计墙壁特性从窄带散射电场在墙壁的同一侧作为发射机。我们证明了由两个以对抗方式配置的神经网络组成的GANs能够解决具有有限训练数据的高度非线性回归问题,以基于全波求解器生成的模拟数据的训练来估计实际壁的介电轮廓和厚度,精度高达95\%。
2022-09-29 eess.SP
Joint Activity Detection and Channel Estimation for Massive Connectivity: Where Message Passing Meets Score-Based Generative Priors
The University of Hong Kong(香港大学);National Key Laboratory of Wireless Communications, University of Electronic Science and Technology of China(电子科技大学无线通信国家重点实验室);The Chinese University of Hong Kong(香港中文大学)
本文提出基于分数生成模型的turbo消息传递框架,用于提升大规模连接中的联合活动检测与信道估计性能。
2026-02-07 eess.SP
Unlocking Realism and Interpretability in Wireless Channel Synthesis: A Physics-Guided Generative Approach
Purdue University(普渡大学);Interdigital Communications(爱立信通信)
针对生成模型合成信道数据缺乏物理有效性和可解释性的问题,提出将基于平面波传播方程的物理几何信道模型与生成方法结合,通过线性化重构和张量分解实现可解释的参数域表示,生成逼真信道矩阵。
2026-06-24 eess.SP
TiRE-GAN: Task-Incentivized Generative Learning for Radiomap Estimation
针对无线地图估计问题,提出任务激励生成学习模型TiRE-GAN,结合物理传播模型与数据统计,通过无线电深度图捕获传播模式,并利用任务驱动激励网络优化补偿,实验验证其有效性。
2025-02-24 eess.SP
Semi-Blind Strategies for MMSE Channel Estimation Utilizing Generative Priors
TUM School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院)
针对大规模MIMO半盲信道估计,提出利用全接收符号子空间与GMM、VAE生成先验的两种LMMSE估计策略,并通过理论与仿真验证其MSE优势。
2025-10-21 eess.SP
OTFS Channel Estimation Utilizing Sparse Bayesian Generative Modelling
TUM School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院)
本文针对高速移动无线信道估计问题,采用压缩感知高斯混合模型(CSGMM),显著提升了正交时频空间(OTFS)调制下信道估计的归一化均方误差,确立了该框架作为有前景解决方案的地位。
2026-09-02 eess.SP
One-Step Generative CSI Prediction
Chalmers University of Technology(查尔姆斯理工大学)
本文提出基于MeanFlow的一步生成式CSI预测框架,通过信道信息先验初始化生成过程,仅需一次神经函数评估,在保持点预测精度的同时改善不确定性校准。
2026-09-16 eess.SP
Generative Neural Network Channel Modeling for Millimeter-Wave UAV Communication
毫米波正越来越多地被考虑用于与无人机(UAV)的无线通信。这项工作的关键是统计信道模型,描述感兴趣的场景中的组成参数的分布。本文提出了一种基于数据训练的生成式神经网络的通用建模方法。建议的生成模型有一个两阶段的结构,首先预测的链路状态(视线,非视线,或中断),并随后将此状态输入到一个条件变分自动编码器(VAE),生成的路径损耗,延迟,到达和离开的角度为所有的传播路径。该方法被证明为28 GHz的空对地通道之间的无人机和蜂窝系统在代表性的城市环境中,通过射线跟踪产生的训练数据集。该演示扩展到标准基站(安装在街道水平和向下倾斜)以及专用基站(安装在屋顶和向上倾斜)。所提出的方法能够捕获数据中复杂的统计关系,并且即使在将这些模型的参数重新调整到数据之后,其性能也显著优于标准3GPP模型。
2021-08-26 eess.SP
Pilot Aided Channel Estimation for AFDM in Doubly Dispersive Channels
仿射频分复用(AFDM)是一种多线性调频信号,是双色散信道下超可靠通信的一种很有前途的解决方案。本文提出了两种基于导频辅助的AFDM信道估计方案:单导频辅助(SPA)和多导频辅助(MPA)。在发射机处适当地布置离散仿射傅里叶变换(DAFT)域中的导频、保护和数据符号。而在接收机处,借助于估计阈值和映射表来执行信道估计。与具有理想已知信道状态信息的AFDM相比,应用所提出的信道估计方案的AFDM的比特差错性能仅示出边际损失。此外,SPA方案的扩展到多输入多输出(MIMO)和多用户上行链路/下行链路。
2022-06-23 eess.SP
A Frequency Domain Channel Estimation Based on Atomic Norm Minimization for Frequency Selective MmWave MIMO Systems
在这项研究中,信道估计器的毫米波(毫米波)系统的建议。考虑到毫米波信道的稀疏性,将信道估计问题转化为原子范数最小化问题。先前对毫米波信道估计的研究集中于频率平坦信道。然而,在这项研究中的工作是基于频率选择性信道,并采用原子范数最小化和重新加权原子范数最小化技术的信道估计在频域。仿真结果验证了原子和重新加权原子范数最小化技术的准确性。
2019-08-12 eess.SP
Transfer Learning Enabled Transformer based Generative Adversarial Networks (TT-GAN) for Terahertz Channel Modeling and Generating
针对太赫兹频段信道建模依赖昂贵测量数据的问题,提出基于迁移学习的Transformer生成对抗网络(TT-GAN),通过GAN生成信道参数替代测量,并结合自注意力机制与迁移学习提升精度,仅需有限测量即可实现高精度建模。
2024-07-08 eess.SP
APEG: Adaptive Physical Layer Authentication with Channel Extrapolation and Generative AI
State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(北京邮电大学网络与交换技术国家重点实验室);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
本文提出APEG,通过生成式人工智能生成信道状态信息指纹,提升动态环境下的身份验证鲁棒性,采用CCMDM和CADM模型优化信道指纹生成精度。
2026-03-23 eess.SP
Lightweight Generative Image Semantic Communication over Packet Erasure Channels
School of Information Science and Electronic Engineering, Shanghai Jiao Tong University(上海交通大学电子信息学院);National Key Laboratory for Positioning, Navigation and Timing Technology, College of Electronic Science and Technology, National University of Defense Technology(国防科技大学电子科学学院)
针对分组擦除信道中的图像语义通信丢包问题,提出轻量级生成式JSCC框架LGSemCom,利用对抗学习和擦除感知加权策略实现高质量重建,推理速度提升一个数量级。
2026-09-09 eess.SP
Cascaded Channel Estimation for RIS Assisted mmWave MIMO Transmissions
信道估计是可重构智能表面(RIS)辅助的毫米波(mmWave)通信中的一个难题。由于在这样的系统中级联信道的系数的数量紧密地依赖于基站天线的数量和RIS元件的数量的乘积,所以导频开销将非常高。在这封信中,我们提出了一个级联的信道估计框架的RIS辅助毫米波多输入多输出系统,在传输模型的宽带效应被认为是。然后,将宽带信道估计转化为参数恢复问题,利用少量的导频符号,采用牛顿正交匹配追踪算法进行信道参数的检测。此外,还引入了信道估计的Cramer-Rao下界。数值结果表明了所提出的信道估计方案的有效性。
2021-06-19 eess.SP
Transfer Generative Adversarial Networks (T-GAN)-based Terahertz Channel Modeling
太赫兹(THz)通信被设想为用于6 G及更高无线系统的有前途的技术,提供超宽带宽,从而提供每秒太比特(Tbps)的数据速率。然而,作为设计太赫兹通信的基础,信道建模和表征是审查新频谱潜力的基础。传统的统计信道建模方法依赖于物理测量数据,在假设一定的分布和经验参数的情况下,存在建模精度不高的问题。此外,在太赫兹波段获得广泛的信道测量是耗时且昂贵的。本文提出了一种基于转移生成对抗网络(transfer generative adversarial network,T-GAN)的THz频段建模方法,该方法利用了GAN在复杂分布建模方面的优势,以及转移学习在有限训练数据下从源任务转移知识以提高目标任务泛化能力的优势。具体地,首先,使用由来自第三代合作伙伴计划(3GPP)的标准信道模型生成的模拟数据集来预训练所提出的GAN。此外,通过转移知识并对预训练的GAN进行微调,利用少量THz测量数据集开发T-GAN。实验结果表明,所提出的T-GAN方法产生的PDP的分布显示出良好的协议与测量。与传统的3GPP方法相比,T-GAN的均方根误差(RMSE)和结构相似性指数(SSIM)均提高了9 dB,具有良好的信道建模性能。
2023-01-03 eess.SP
GEVD-based Low-Rank Channel Covariance Matrix Estimation and MMSE Channel Estimation for Uplink Cellular Massive MIMO Systems
上行链路信道估计是蜂窝大规模多输入多输出系统性能的关键组成部分。然而,当用户设备(UE)的数量增长时,可用资源的共享导致相邻小区中的UE之间的干扰。已经提出了最小均方误差(MMSE)信道估计器来减轻这种干扰,但是这些需要信道协方差矩阵的估计。因此,本文提出了一种新的低秩信道协方差矩阵的信道协方差矩阵估计器,使用广义特征值分解(GEVD)的两个协方差矩阵,可以估计从可用的上行链路数据。对系统的要求是最小的,并且除了同步之外,不需要不同小区之间的通信,并且不需要关于背景噪声的先验知识。基于新提出的信道协方差矩阵估计器,还推导了近似MMSE估计器。数值仿真结果表明了所提出方法的有效性。
2021-11-23 eess.SP
CRLB Approaching Pilot-aided Phase and Channel Estimation Algorithm in MIMO Systems with Phase Noise and Quasi-Static Channel Fading
针对具有相位噪声和准静态信道衰落的多输入多输出(MIMO)系统,提出了一种新的导频辅助相位和信道估计算法。我们的新方法允许,第一次,载波相位估计和恢复之前进行全面的信道估计。这又使得能够使用整个帧来计算信道估计,从而显著地提高其精度。该算法是几种线性算法的顺序组合,大大降低了计算复杂度。此外,我们还推导出,第一次,Cramer-Rao下界(CRLB)的MIMO系统,其中相位噪声估计仅使用角度信息。我们的数值结果表明,我们的相位估计算法的性能接近建议CRLB。此外,当与传统的卡尔曼算法相比,我们提出的算法显着改善系统的BER性能。
2021-12-05 eess.SP
Diffusion-based Generative Prior for Low-Complexity MIMO Channel Estimation
Lehrstuhl für Methoden der Signalverarbeitung, Technische Universität München(慕尼黑工业大学信号处理方法研究所)
本研究提出基于扩散模型的低复杂度MIMO信道估计器,通过稀疏角域信道分布学习、带SNR位置嵌入的轻量CNN及优化的扩散估计策略,实现了优于现有生成先验类顶尖信道估计器的性能。
2024-03-06 cs.LG eess.SP
Enabling 6G Through Multi-Domain Channel Extrapolation: Opportunities and Challenges of Generative Artificial Intelligence
Shanghai University(上海大学);the University of Sheffield(谢菲尔德大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学);National Mobile Communications Research Laboratory, School of Information Science and Engineering, Southeast University(东南大学信息科学与工程学院)
本文提出基于生成式人工智能的多领域信道外推方法,通过改进Transformer模型提升6G网络的信道状态信息获取精度与效率。
2025-09-01 eess.SP
Sequential and Generative Models for Vehicular Distributed MIMO Channel Prediction
College of computing GVSU(GVSU计算学院);Univ Rennes, CNRS, IETR, UMR 6164(雷恩大学,法国国家科学研究中心,IETR,UMR 6164);Univ Lille, CNRS, IEMN, UMR 8520(里尔大学,法国国家科学研究中心,IEMN,UMR 8520)
针对高速移动下车辆通信信道预测难题,基于实测数据提出框架,对比LSTM、TCN、CNN+Transformer和ChannelGPT,后者在NMSE、FLOPs和延迟上最优,且预测信道用于频谱效率评估与实测几乎一致。
2026-06-24 eess.SP
Efficient PHY Layer Abstraction under Imperfect Channel Estimation
由于大多数现有的工作在理想的信道估计的假设下研究PHY层抽象,如果在实际的通信系统中存在信道估计误差,则可能变得不可靠。这封信通过考虑信道估计误差的存在,改进了一种有效的PHY层方法,EESM-log-SGN PHY层抽象。我们开发了两种方法来实现EESM-log-SGN PHY抽象下不完美的信道估计。在多输入单输出(MISO)/单输入单输出(SISO)结构下,有效信干噪比不受信道估计误差的影响,并通过物理层仿真验证了这一点。在不同的正交频分复用(OFDM)场景下,验证了所开发的方法。
2022-10-08 eess.SP
Conditional Diffusion Model-Driven Generative Channels for Double RIS-Aided Wireless Systems
针对双 RIS 辅助 6G 系统中传统 CSI 获取导频开销高、易受多径干扰的问题,提出基于条件扩散模型的信道生成方法,并验证其在 NMSE 上优于传统方法。
2025-06-15 eess.SP
Generative Large-Array Emulation for DOA Estimation in MIMO Radar via Conditional Diffusion
Ruhr University Bochum(波鸿鲁尔大学);Robert Bosch GmbH(罗伯特·博世有限公司)
针对小孔径MIMO雷达DOA估计精度受限问题,提出直接生成大阵列MUSIC谱的条件扩散方法,利用协阵列压缩和谱峰共识,在仅用小型阵列推理时提升角度估计性能。
2026-09-28 eess.SP
Reconfigurable intelligent surface (RIS): Eigenvalue Decomposition-Based Separate Channel Estimation
可重构智能表面(RIS)是无线通信领域的研究热点。然而,识别,建模和估计RIS信道在多输入多输出(MIMO)系统中被认为是具有挑战性的,在最近的研究。本文提出了一种基于特征值分解(EVD)的RIS-MIMO系统的分解式信道估计框架,将级联的信道链路分离出来,并对每个链路分别进行估计。该估计基于将RIS-MIMO信道建模为锁眼MIMO系统模型。数值结果表明,所提出的估计方法具有较低的估计时间开销,同时提供较小的估计误差。
2021-11-03 eess.SP
Channel Geometry Preserving Generative Models for CSI Feedback in MU-MIMO
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Nokia Bell Labs(诺基亚贝尔实验室)
本文提出基于流匹配的生成CSI解码器,通过现代深度生成模型在基站端实现信道状态信息重建,以更准确地保持信道几何结构,提升MU-MIMO预编码性能。
2026-05-09 eess.SP
Conditional Generative Adversarial Networks for Channel Estimation in RIS-Assisted ISAC Systems
针对RIS辅助ISAC系统中传统深度学习信道估计性能受限的问题,提出基于CGAN的对抗训练信道估计方法,通过生成器与判别器的反馈优化提升估计精度,仿真验证其性能优于传统深度学习方案。
2025-02-24 eess.SP
Data-Aided Channel Estimation Utilizing Gaussian Mixture Models
本文提出两种利用数据符号和导频符号的半盲信道估计方法,通过估计子空间改进高斯混合模型信道估计器,支持并行化和滤波器预计算,在真实数据上优于现有方法。
2023-09-11 eess.SP
C-GRBFnet: A Physics-Inspired Generative Deep Neural Network for Channel Representation and Prediction
在本文中,我们的目标是有效地和准确地预测静态信道冲激响应(CIR),只有用户的位置信息和一组信道的情况下获得一定的无线通信环境。这样的问题绝不是微不足道的,因为它需要从极低维数据(这里是位置坐标)重建高维信息(这里是到处的CIR),这通常导致过拟合和大的预测误差。为此,我们采用了一种新颖的物理启发生成方法。具体来说,我们首先使用前向深度神经网络来推断该环境中周围散射体反射的源的所有可能图像的位置,然后使用众所周知的高斯径向基函数网络(GRBF)来近似所有可能传播路径的幅度。我们进一步将最近开发的正弦表示网络(SIREN)到建议的网络中,以隐式地表示所有可能路径的高度动态相位,这通常不能很好地预测传统的神经网络与非周期性激活器。余弦高斯径向基函数网络(C-GRBFnet)的框架也扩展到MIMO信道的情况下。与现有的流行网络相比,该网络在预测精度、收敛速度、网络规模和对信道估计误差的鲁棒性等关键性能指标上都有了全面的评估,表明该网络在特定通信环境下能够更有效地表示、学习和预测无线信道.
2021-12-05 eess.SP
Physics-Informed Generative Modeling of Wireless Channels
本文提出稀疏贝叶斯生成建模(SBGM),结合无线信道的物理可压缩性,从接入点压缩观测中学习物理信道参数分布,解决了现有方法对高质量数据依赖、泛化弱及缺乏物理可解释性的问题,且无需重新训练即可适应不同系统配置。
2025-08-11 eess.SP stat.ML
Score-Based Generative Models for Robust Channel Estimation
University of Texas at Austin(德克萨斯大学奥斯汀分校)
信道估计是数字通信中的一项关键任务,它对端到端系统的性能有很大影响。在这项工作中,我们介绍了一种新的方法,多输入多输出(MIMO)信道估计使用基于分数的生成模型。我们的方法使用了一个深度神经网络,该网络经过训练可以估计高维空间中任何点处无线信道的对数先验梯度,并利用该模型通过后验采样来解决信道估计。我们训练一个基于分数的模型,从CDL-D模型的两个天线间距的信道实现,并表明,该方法导致竞争力的分布性能相比,生成对抗网络(GAN)和压缩感知(CS)的方法。当在CDL-D信道上测试时,与$λ/2$天线间隔处的分布中的GAN方法相比,该方法导致信道估计误差的至少$5$ dB的增益。当在训练或微调期间从未见过的CDL-C信道上测试时,与CS方法相比,该方法导致高达$3$ dB的端到端编码性能增益,并且与理想信道知识相比,仅损失$0.5$ dB。
2022-02-15 cs.LG eess.SP
One-bit mmWave MIMO Channel Estimation using Deep Generative Networks
随着未来的无线系统趋向于更高的载波频率和大型天线阵列,具有一位模数转换器(ADC)的接收器由于其降低的功耗而正在被探索。然而,大型天线阵列和1位ADC的组合使得信道估计具有挑战性。在本文中,我们将有限数量的一位量化导频测量的信道估计公式化为逆问题,并通过优化预训练的深度生成模型的输入向量来重建信道,其目标是最大化新的基于相关性的损失函数。我们观察到,适应底层信道模型的深度生成先验显著优于伯努利-高斯近似消息传递(BG-GAMP),而使用条件输入来区分视线(LOS)和非视线(NLOS)信道实现的单个生成模型优于BG。GAMP的LOS信道上,并实现了NLOS信道的归一化信道重建误差方面的性能相当。
2022-11-16 cs.IT eess.SP math.IT
MIMO Channel Estimation using Score-Based Generative Models
University of Texas at Austin(德克萨斯大学奥斯汀分校);Intel Corporation(英特尔公司)
信道估计是多输入多输出(MIMO)数字通信中的一项关键任务,它对端到端系统性能有很大影响。在这项工作中,我们介绍了一种新的方法,用于信道估计使用深度评分为基础的生成模型。模型被训练以估计分布的对数的梯度,并且被用于迭代地改进给定信号测量的估计。我们介绍了一个框架,用于训练无线MIMO信道的基于分数的生成模型,并在测试时基于后验采样执行信道估计。我们推导出理论上的鲁棒性保证信道估计后验采样在单输入单输出的情况下,并通过实验验证性能的MIMO设置。我们在模拟信道中的结果显示了具有竞争力的分布内性能和强大的分布外性能,与监督式深度学习方法相比,端到端编码通信性能的增益高达$5$ dB。对导频数量的仿真表明,对于高达$64 \times 256$的MIMO信道大小,具有$25$ %导频密度的高保真度信道估计是可能的。复杂性分析表明,模型的大小可以有效地贸易的估计延迟的性能,所提出的方法是有竞争力的压缩感知的浮点运算(FLOP)计数。
2022-11-08 cs.LG eess.SP
Impedance-based Capacity Estimation for Lithium-Ion Batteries Using Generative Adversarial Network
本文提出了一种完全无监督的方法,用于使用信息最大化生成对抗网络从电化学阻抗谱(EIS)数据中可靠地提取代表锂离子电池(LIB)特性的潜在变量。有意义的表示可以从EIS数据中获得,即使在直流测量时,没有松弛,这是很难表达时,使用电路模型。提取的潜变量进行了研究,容量退化的进展,并用于估计的放电容量的电池采用高斯过程回归。在充放电过程中的各种条件下的EIS数据所提出的方法进行了验证。结果表明,该模型提供了更强大的能力估计比直接从EIS获得的能力估计。我们证明,从直流测量的EIS数据中提取的潜变量,没有松弛可靠地代表LIB的降解特性。
2021-07-02 eess.SP physics.chem-ph
Robust MIMO Channel Estimation Using Energy-Based Generative Diffusion Models
Purple Mountain Laboratories(紫金山实验室)
本文提出一种结合能量生成扩散模型与Metropolis-Hastings原理的MIMO信道估计框架,通过显式估计未归一化对数先验并细化采样轨迹,在有限导频开销下显著提升估计精度与鲁棒性。
2025-10-25 cs.IT eess.SP math.IT
A Deep Generative Adversarial Architecture for Network-Wide Spatial-Temporal Traffic State Estimation
提出了一种用于网络时空流量状态估计的深度生成对抗架构(GAA)。该算法将交通流理论与神经网络相结合,提高了交通状态估计的精度。它由两个长短期记忆神经网络(LSTM NN)组成,它们捕获交通流量和交通密度之间的时间和空间相关性。其中一个LSTM NN,称为判别网络,旨在最大化将正确标签分配给两个真实交通状态矩阵(即,给定时空区域内的交通流量和交通密度)和从另一个神经网络生成的交通状态矩阵。另一个LSTM NN,称为生成网络,旨在生成交通状态矩阵,最大化判别网络为其分配真实标签的概率。这两个LSTM NN同时被训练,使得经过训练的生成网络可以生成与训练数据集中的流量矩阵类似的流量矩阵。给定一个含有缺失值的交通状态矩阵,我们使用三个定义的损失函数的反向传播来将损坏的矩阵映射到一个潜在的空间。然后,映射向量通过预训练的生成网络来估计损坏矩阵的缺失值。建议的GAA相比,现有的贝叶斯网络的方法,从西雅图,华盛顿州收集的环路探测器数据,收集从加利福尼亚州圣地亚哥。实验结果表明,GAA可以达到更高的准确性,在交通状态估计比贝叶斯网络的方法。
2018-01-05 eess.SP math.OC
Approximating the Void: Learning Stochastic Channel Models from Observation with Variational Generative Adversarial Networks
DeepSig Inc.(DeepSig公司);Virginia Tech(弗吉尼亚理工大学)
在考虑设计、学习或评估任何通信系统的性能时,信道建模都是一个关键话题。设计或学习新调制方案的大多数现有工作集中在使用高度简化的解析信道模型,例如加性高斯白噪声(AWGN)、瑞利衰落信道或类似信道。最近,我们提出了使用生成对抗网络(GANs)来联合近似无线信道响应模型(例如,从真实的黑盒测量),并使用机器学习优化其上的有效调制方案。这种方法在一定程度上起作用,但无法产生表示随机信道响应的精确概率分布函数(PDF)。在本文中,我们特别关注的问题,准确地学习一个通道PDF使用变分GAN,介绍了一个架构和损失函数,可以准确地捕捉随机行为。我们说明了我们以前的方法失败,并分享结果捕获的性能,如系统在一系列现实的渠道分布。
2018-08-20 cs.LG eess.SP stat.ML
Generative Models for Modeling and Synthesizing MIMO Channels in Adverse Weather Conditions
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
该研究针对极端天气下MIMO信道测量受限问题,构建含多天气类型与强度的5G/6G场景数据集,训练天气条件扩散模型生成恶劣天气信道,评估后验证其可泛化用于恶劣环境信道建模。
2026-08-25 cs.LG eess.SP
Enhancing Channel Estimation in Quantized Systems with a Generative Prior
School of Computation, Information and Technology, Technical University of Munich(慕尼黑工业大学计算、信息与技术学院)
本文提出利用高斯混合模型作为生成先验,结合EM算法增强一比特量化系统中的信道估计,并通过MAP推断提供辅助信息,显著优于现有方法。
2024-04-26 cs.IT cs.LG eess.SP
EVT-Based Generative AI for Tail-Aware Channel Estimation
Department of Electrical and Electronics Engineering, Koc University, Istanbul, Turkey(科克大学电气与电子工程系);Department of Electrical Engineering and Computer Science, KTH Royal Institute of Technology, Stockholm, Sweden(皇家理工学院电气工程与计算机科学系);Department of Electrical and Computer Engineering, Virginia Tech, Virginia, United States(弗吉尼亚理工大学电气与计算机工程系)
本文提出结合极值理论与生成式AI的框架,用于满足URLLC对信道中罕见事件的精确建模需求,通过数据增强和参数估计提升极端分位数的估计性能。
2026-04-27 cs.AI cs.SY eess.SP
MIMO-GAN: Generative MIMO Channel Modeling
Qualcomm Technologies Netherlands B.V.(高通技术荷兰有限公司);Qualcomm Technologies, Inc.(高通技术公司);Qualcomm AI Research(高通人工智能研究院)
我们提出了生成信道建模,从信道输入输出测量中学习统计信道模型。生成式渠道模型可以学习更复杂的分布,更忠实地表示现场数据。它们易于处理,易于采样,这可能会加快模拟回合。为了实现这一目标,我们利用GAN的进步,这有助于我们从观察到的测量中学习随机MIMO信道上的隐式分布。特别是,我们的方法MIMO-GAN隐含地将无线信道建模为时域带限脉冲响应的分布。我们在3GPP TDL MIMO信道上评估MIMO-GAN,并观察到捕获底层信道的功率,延迟和空间相关统计的高一致性。特别地,我们观察到MIMO-GAN实现了低于3.57 ns平均延迟和-18.7 dB功率的误差。
2022-03-16 cs.AI cs.IT cs.LG
Generative Diffusion Models for High Dimensional Channel Estimation
National Mobile Communications Research Laboratory, Southeast University(东南大学移动通信国家重点实验室);Purple Mountain Laboratories(紫金山实验室);National Key Laboratory of Advanced Communication Networks(高级通信网络全国重点实验室);Academy of Network & Communications of CETC(中国电子科技集团公司网络通信研究院)
本文提出基于生成扩散模型的高维无线信道估计方法,通过深度生成先验实现高保真信道恢复,同时降低估计延迟和试点开销,适用于超大规模天线阵列。
2026-03-09 cs.IT eess.SP math.IT
FedGenSC: Federated Generative Semantic Communication with Channel-Aware Adaptation
American University of Beirut(贝鲁特美国大学)
针对联邦语义通信中判别器聚合不稳定、语义漂移和信道不可知三大问题,提出FedGenSC框架,通过全局生成器、语义原型库和SNR条件生成,在非IID数据下显著提升性能。
2026-09-09 cs.LG eess.SP
Double Directional Wireless Channel Generation: A Statistics-Informed Generative Approach
本文提出一种统计信息引导的生成式方法,利用混合Transformer与BiLSTM生成完整双方向无线信道信息,并通过领域知识训练匹配统计特性,仿真表明其优于现有预测方法。
2025-03-07 cs.IT eess.SP math.IT
Channel Modeling for FR3 Upper Mid-band via Generative Adversarial Networks
NYU Tandon School of Engineering(纽约大学坦登工程学院);Politecnico di Milano(米兰理工大学);Chalmers University of Technology(查尔姆斯理工大学)
针对FR3上中频频段的信道建模问题,提出基于生成对抗网络(GANs)的架构、链路状态模型及路径生成网络,实验证明该模型与射线追踪仿真数据高度吻合。
2024-04-25 cs.IT cs.LG eess.SP
Millimeter Wave Channel Modeling via Generative Neural Networks
统计信道模型是设计和评估无线通信系统的重要工具。在毫米波波段,这样的模型变得非常具有挑战性;它们必须捕获每个链路的延迟、方向和路径增益,并且具有高分辨率。本文提出了一种通用的建模方法的基础上训练生成神经网络的数据。建议的生成模型包括一个两阶段的结构,首先预测每个链路的状态(视线,非视线,或中断),并随后将此状态馈送到一个条件变分自动编码器,生成的路径损耗,延迟,到达和离开的角度为所有的传播路径。重要的是,预先假设最少,使模型能够捕获数据中的复杂关系。该方法被证明为28 GHz的空对地信道在城市环境中,与训练数据集通过射线跟踪。
2020-08-25 cs.IT cs.NI eess.SP
Data-Driven Predictive Scheduling in Ultra-Reliable Low-Latency Industrial IoT: A Generative Adversarial Network Approach
迄今为止,基于模型的低延迟可靠通信对于时间关键的无线控制系统至关重要。在这项工作中,我们研究了下行链路(DL)的制造商到执行器调度问题,在无线工业网络,使中断概率最小化。与现有文献中基于公知的平稳衰落信道模型相比,我们假设一个任意的和未知的信道衰落模型,它只能通过样本。为了克服有限的数据样本的问题,我们调用的生成对抗网络框架,并提出了一个在线的数据驱动的方法来联合调度DL传输和学习的信道分布在线的方式。数值结果表明,该方法可以有效地学习任何任意的信道分布,并进一步实现最佳性能,通过使用预测的中断概率。
2020-05-10 cs.NI eess.SP
An End-to-End and Accurate PPG-based Respiratory Rate Estimation Approach Using Cycle Generative Adversarial Networks
University of California Irvine(加州大学欧文分校);University of California, Irvine(加州大学欧文分校);Institute for Future Health, University of California, Irvine(加州大学欧文分校未来健康研究所)
呼吸频率(RR)是代表通气的临床体征。RR的异常变化通常是健康恶化的第一个迹象,因为身体试图维持向其组织输送氧气。在日常环境中远程监测RR的兴趣越来越大,这使得光电体积描记(PPG)监测可穿戴设备成为有吸引力的选择。PPG信号是用于RR提取的有用来源,因为其中存在呼吸诱导的调制。现有的基于PPG的RR估计方法主要依赖于手工制定的规则和手动参数调整。最近提出了一种端到端的深度学习方法,然而,尽管它具有自动化的性质,但使用真实世界数据时,这种方法的性能并不理想。在本文中,我们提出了一个端到端的和准确的管道RR估计使用循环生成对抗网络(CycleGAN)从原始PPG信号重建呼吸信号。我们的研究结果表明,与使用相同的公开数据集的最新技术相比,RR估计精度高达2 $\times$(使用五折交叉验证的平均绝对误差为1.9 $\pm$ 0.3)。我们的研究结果表明,CycleGAN可以是一种有价值的方法,从原始PPG信号的RR估计。
2021-07-30 cs.LG eess.SP
Discrete-Space Generative AI Pipeline for Semantic Transmission of Signals
Rowan University(罗文大学)
Discernment通过生成式AI在离散空间中实现信号语义传输,适应信道退化并保持高效通信性能。
2026-02-14 cs.AI cs.IT eess.SP
Spatially Consistent Air-to-Ground Channel Modeling via Generative Neural Networks
本文提出生成神经网络架构,利用无人机轨迹和基站条件数据,实现空间一致的RSS序列生成,以支持性能评估与切换等移动性管理任务。
2024-02-05 cs.IT cs.NI eess.SP