通过基于人工智能的多节点探测系统对低空通信的信道进行测量与特性分析

《IEEE Transactions on Cognitive Communications and Networking》：Channel Measurements and Characterizations for Low-Altitude Communications via an AI-Empowered Multi-Node Sounding System

　　低空智能网络信道特性研究中提出高效多节点测量方案，通过遗传算法优化声学校准信号实现干扰抑制，并设计实时数据压缩方法提取多径和慢衰特征，最终基于DNN和VAE构建信道预测模型。

　　

摘要：

低空（LA）智能网络是综合空地网络的关键组成部分，理解无线电传播信道对于设计和优化可靠的通信链路至关重要。在本文中，我们提出了一种高效且干扰低的低空信道测量方案，适用于多个节点。为了避免自干扰和消除互干扰，我们开发了一种串并联切换方法，其中探测信号是通过遗传算法（GA）专门设计的。该方法可以有效减少多节点之间的干扰并提高测量效率。为了减小多链路信道的数据量并减轻数据传输和后处理的负担，我们提出了一种实时数据压缩方法，该方法能够提取有效的多径分量（MPCs）和小尺度衰落（SSF）特征。在此基础上，实现了一个四节点低空信道测量系统的原型。该原型被应用于校园场景中的低空信道测量，测得了空对空（A2A）、空对地（A2G）和地对地（G2G）链路的信道特性。随后，利用深度神经网络（DNN）和变分自编码器（VAE）对低空信道进行表征，这些模型能够有效预测并生成新的信道特性，以服务于实际应用。