論文の概要: A CGAN-LSTM-Based Framework for Time-Varying Non-Stationary Channel Modeling

• arxiv url: http://arxiv.org/abs/2503.13468v1
• Date: Mon, 03 Mar 2025 03:27:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 07:08:01.213248
• Title: A CGAN-LSTM-Based Framework for Time-Varying Non-Stationary Channel Modeling
• Title（参考訳）: 時間変化非定常チャネルモデリングのためのCGAN-LSTMに基づくフレームワーク
• Authors: Keying Guo, Ruisi He, Mi Yang, Yuxin Zhang, Bo Ai, Haoxiang Zhang, Jiahui Han, Ruifeng Chen,
• Abstract要約: 本稿では,非定常チャネル特性の進化を捉えるために,長期的動的チャネルの生成を強調した。 本研究では,条件付き生成逆数ネットワーク(CGAN)と長期記憶ネットワーク(LSTM)を組み合わせたハイブリッドディープラーニングフレームワークを提案する。 定常性に制約されたアプローチは、生成された時系列チャネルの時間的相関を保証するように設計されている。
• 参考スコア（独自算出の注目度）: 18.899432402460565
• License:
• Abstract: Time-varying non-stationary channels, with complex dynamic variations and temporal evolution characteristics, have significant challenges in channel modeling and communication system performance evaluation. Most existing methods of time-varying channel modeling focus on predicting channel state at a given moment or simulating short-term channel fluctuations, which are unable to capture the long-term evolution of the channel. This paper emphasizes the generation of long-term dynamic channel to fully capture evolution of non-stationary channel properties. The generated channel not only reflects temporal dynamics but also ensures consistent stationarity. We propose a hybrid deep learning framework that combines conditional generative adversarial networks (CGAN) with long short-term memory (LSTM) networks. A stationarity-constrained approach is designed to ensure temporal correlation of the generated time-series channel. This method can generate channel with required temporal non-stationarity. The model is validated by comparing channel statistical features, and the results show that the generated channel is in good agreement with raw channel and provides good performance in terms of non-stationarity.
• Abstract（参考訳）: 時変非定常チャネルは、複雑な動的変動と時間的進化特性を持つが、チャネルモデリングと通信システムの性能評価において大きな課題がある。 時間変化チャネルモデリングの既存の手法は、ある時点におけるチャネル状態の予測や、チャネルの長期的進化を捉えることができない短期チャネル変動のシミュレーションに重点を置いている。 本稿では,非定常チャネル特性の進化を完全に捉えるために,長期的動的チャネルの生成を強調した。 生成されたチャネルは時間的ダイナミクスを反映するだけでなく、一貫した定常性も保証する。 本研究では,条件付き生成逆数ネットワーク(CGAN)と長期記憶ネットワーク(LSTM)を組み合わせたハイブリッドディープラーニングフレームワークを提案する。 定常性に制約されたアプローチは、生成された時系列チャネルの時間的相関を保証するように設計されている。 この方法は、時間的非定常性を必要とするチャネルを生成することができる。 このモデルは, チャネル統計特性を比較して検証し, 生成したチャネルが生チャネルと良好に一致し, 非定常性の観点から優れた性能を示すことを示す。

関連論文リスト

• DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting [13.05900224897486]
  実世界の時系列は、時間とともに分布の変化によって引き起こされる異質な時間パターンを示すことが多い。 チャネル間の相関は複雑で絡み合っており、チャネル間の相互作用を正確にかつ柔軟にモデル化することは困難である。 本稿では,時空間とチャネル次元に2つのクラスタリングを導入するDUETというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T15:15:17Z)
• Channel-Aware Low-Rank Adaptation in Time Series Forecasting [43.684035409535696]
  2つの代表的なチャネル戦略は、モデル表現性とロバスト性に密接に関連している。 本稿では,チャネル対応の低ランク適応手法を,アイデンティティ対応の個別コンポーネント上での条件付きCDモデルに適用する。
  論文  参考訳（メタデータ） (2024-07-24T13:05:17Z)
• SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion [59.96233305733875]
  時系列予測は、金融、交通管理、エネルギー、医療など様々な分野で重要な役割を果たしている。 いくつかの方法は、注意やミキサーのようなメカニズムを利用して、チャネル相関をキャプチャすることでこの問題に対処する。 本稿では,効率的なモデルであるSOFTS(Series-cOre Fused Time Series forecaster)を提案する。
  論文  参考訳（メタデータ） (2024-04-22T14:06:35Z)
• From Similarity to Superiority: Channel Clustering for Time Series Forecasting [61.96777031937871]
  CCM(Channel Clustering Module)を開発した。 CCMは、固有の類似性を特徴とするチャネルを動的にグループ化し、個々のチャネルのアイデンティティの代わりにクラスタ情報を活用する。 CCMは、CIモデルとCDモデルのパフォーマンスを、それぞれ長期および短期の予測において平均利率2.4%と7.2%で向上させることができる。
  論文  参考訳（メタデータ） (2024-03-31T02:46:27Z)
• MCformer: Multivariate Time Series Forecasting with Mixed-Channels Transformer [8.329947472853029]
  Channel Independence(CI)戦略は、すべてのチャネルを単一のチャネルとして扱い、データセットを拡張する。 Mixed Channels戦略は、CI戦略のデータ拡張アドバンテージと、チャネル間の相関を忘れないように対処する機能を組み合わせたものだ。 モデルは特定の数のチャネルをブレンドし、チャネル間の相関情報を効果的に取得するための注意機構を活用する。
  論文  参考訳（メタデータ） (2024-03-14T09:43:07Z)
• Upscale-A-Video: Temporal-Consistent Diffusion Model for Real-World Video Super-Resolution [65.91317390645163]
  Upscale-A-Videoは、ビデオアップスケーリングのためのテキストガイド付き遅延拡散フレームワークである。 ローカルでは、一時的なレイヤをU-NetとVAE-Decoderに統合し、短いシーケンス内で一貫性を維持する。 また、テキストプロンプトによってテクスチャ生成と調整可能なノイズレベルをガイドし、復元と生成のバランスを取ることで、柔軟性も向上する。
  論文  参考訳（メタデータ） (2023-12-11T18:54:52Z)
• Deep Reinforcement Learning for IRS Phase Shift Design in Spatiotemporally Correlated Environments [93.30657979626858]
  本稿では,チャネル相関と目的地動きを考慮したディープアクター批判アルゴリズムを提案する。 チャネルが時間的に相関している場合、コンバージェンスを抑制する方法において、関数近似を伴う状態表現にSNRを組み込むことが示される。
  論文  参考訳（メタデータ） (2022-11-02T22:07:36Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• Predicting the temporal dynamics of turbulent channels through deep learning [0.0]
  最小乱流チャネル流の時間的進化を再現するニューラルネットワークの能力を評価することを目的としている。 長期記憶(LSTM)ネットワークとクープマンベースのフレームワーク(KNF)は、最小チャネルフローモードの時間ダイナミクスを予測するために訓練される。
  論文  参考訳（メタデータ） (2022-03-02T09:31:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。