《表4 基于神经网络的小尺度衰落建模的特性参数和特点》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《机器学习在信道建模中的应用综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

目前，神经网络在小尺度衰落建模的研究体现在对于不同场景和不同特征参数的建模，其特性参数和特点如表4所示。Zhao等[17]和Sun等[81]利用RBFNN对基于26 GHz的5G毫米波时变信道进行建模，并利用SAGE算法提取出信道的多径数和到达角来训练RBFNN，从而实现可分辨的每一条路径的接收功率和到达角的预测，最后将预测结果重新放到GBSM中进行验证。结果表明，提取的参数与实测数据吻合较好。Liu等[54]为了得到信道传递函数，采用学习机和极限学习机（ELM，extreme learning machine）训练神经网络，结果表明ELM提供毫秒级学习的能力使它非常适于高速情况下的衰落信道建模。Bai等[57]提出了一种针对毫米波频段的三维MIMO室内信道建模方法，该方法基于CNN模型，输入数据为发射机和接收机的坐标，输出的特征参数包括接收功率、时延、发射方位角、发射仰角、到达方位角和到达仰角。