基于增强CVAE的三维射线重构方法

射线追踪数据的样本空间不完备性是造成大规模多输入多输出信道幅值预测出现高预测误差用户较多的主要原因。为了更全面地表征所有用户的信道传播特征,提出了一种基于扩展概率分布的条件变分自编码器(CVAE)的三维射线重构方法。该方法基于用户射线样本的稀疏度选择先验概率分布,通过增强CVAE为高误差用户生成新的射线样本训练集,使射线追踪数据的隐变量分布更符合高误差用户的特征。仿真结果表明,基于所提出的方法在原有射线样本训练集中扩充新样本后,可将高预测误差用户数降低到原来的53.59%;使用新训练集训练的神经网络在得到大幅降低预测信道幅值时间开销的同时,将信道幅值预测精度提升了7.8%。