列车一定会去往下一站。那么舞台呢?我们呢?
本文分析了CSI随仰角改变的变化趋势。使用GRU进行时序预测,GRU性能与LSTM类似,且计算性能开销低于LSTM
物联网设备CSI预测问题:
在无附加信息(地面设备位置和低地轨道星历表等)的情况下预测CSI
对计算复杂度存在限制
低地轨道的上升方和下降方的仰角和相对位置具有不同的时间相关性。低地轨道上升侧和下降侧的CSI具有不同的时间相关性
Relatedworks:
建模:考虑了自由空间衰落、阴影衰落、小尺度衰落
分析了CSI值随仰角和UE运动的一系列变化趋势
CSI实部虚部符号对有(+,+)、(+,-)、(-,+)和(-,-)四种状态
结论:对于移动 UE,CSI 符号对、CSI 绝对值的长期趋势及其移动方向有助于预测低地轨道仰角的时间相关性。
网络:输入过去一段时间的CSI序列,直接预测之后第P个slot的CSI
用卡尔曼滤波器做信道预测,然后分别研究了有无码本的联合带宽分配的预编码方法
flexible multi-beam satellites
Relatedworks:
基于digital transparent payload灵活性能的一些研究。之前读过的深度学习的预测+混合波束成形[5],
利用satellite-based terrestrial multiconnectivity(MC)的干扰管理[6]和频谱共享方法[7]
建模:
CSI预测:Kalman滤波器
联合预编码:码本/无码本对应不同信令开销
仿真部分有性能随信道相关性的变化
J. B. Andersen, J. Jensen, S. H. Jensen, and F. Frederiksen, “Prediction of future fading based on past measurements,” in Proc. Gateway 21st Century Commun. Village, vol. 1, 1999, pp. 151–155. ↩︎
R. O. Adeogun, P. D. Teal, and P. A. Dmochowski, “Extrapolation of MIMO mobile-to-mobile wireless channels using parametric-modelbased prediction,” IEEE Trans. Veh. Technol., vol. 64, no. 10, pp. 4487–4498, Oct. 2015. ↩︎
Y. Zhu, X. Dong, and T. Lu, “An adaptive and parameter-free recurrent neural structure for wireless channel prediction,” IEEE Trans. Commun., vol. 67, no. 11, pp. 8086–8096, Nov. 2019. ↩︎ ↩︎
Y. Zhao, H. Gao, N. C. Beaulieu, Z. Chen, and H. Ji, “Echo state network for fast channel prediction in Ricean fading scenarios,” IEEE Commun. Lett., vol. 21, no. 3, pp. 672–675, Mar. 2017. ↩︎
Y. Zhang, A. Liu, P. Li, and S. Jiang, “Deep Learning (DL)-Based Channel Prediction and Hybrid Beamforming for LEO Satellite Massive MIMO System,” in IEEE Internet of Things Journal, vol. 9, no. 23, pp. 23705-23715, Dec. 2022 ↩︎
N. Cassiau et al., “5G-ALLSTAR: Beyond 5G Satellite-Terrestrial MultiConnectivity,” in Proc. Joint European Conference on Networks andCommunications, 2022, pp. 148–153. ↩︎
N. Cassiau et al., “Satellite and Terrestrial Multi-Connectivity for 5G: Making Spectrum Sharing Possible,” in Proc. IEEE Wireless Commun.Netw. Conf., 2020, pp. 1-6 ↩︎
M. Meng et al., “BeamRaster: A Practical Fast Massive MU-MIMO System With Pre-Computed Precoders,” in IEEE Transactions on Mobile Computing, vol. 18, no. 5, pp. 1014-1027, May 2019 ↩︎
E. Sourour, “Codebook-based precoding for generalized spatial modulation with diversity,” in EURASIP J Wireless Com Network, 2019, 229(2019). ↩︎
记录一下读论文的情况喵
[参数]
动作、状态空间,转移,回报,数据集行为策略,数据集,折扣边缘状态分布
从中抽样
一个基本的迭代方式如下
[问题] 对状态-动作对采样不充分导致sample error
还是得把学的东西记下来,呃不然过段时间就忘了
- 动作价值函数Qπ是按照策略π下,环境s做出a动作后的收益期望。
- 最优动作函数Q⋆是所有策略中取最优的收益期望。这个东西显然可以给动作打分。
- 折扣回报率γ是为了让策略更早获得更大的回报设置的参数,每次都让回报乘一个γ的t次方
用于维护一种光标线性移动,而且插入和删除都是发生在光标左右的数据结构
顾名思义,对顶栈就是两个栈,一个维护光标左边的内容,一个维护光标右边的内容,光标的移动就是把一边的弹出来塞到另外一边就行,添加和删除操作也很简单了,就是对栈进行相应操作就行。
整蛊咯整蛊咯
没啥p用
集合的基数:有限集(不同元素个数),无限集(等势,双射函数?)
可数集/不可数集:和自然数一一对应
没什么好说的
图的定义:三元组,点集、边集、边到两个端点集合的函数
子图、真子图、生成子图:生成子图有全部点集
略
整蛊