联合状态与动态检索增强多场景信道预测
arXiv论文提出检索增强的信道状态信息预测框架RAG-CSI，通过全局与局部知识库补充历史信道知识。联合状态—动态检索同时匹配信道状态、相位及幅度动态，再由变换器以交叉注意力融合检索结果。多场景实验显示，五项指标相对各自的最佳基线整体改进均超过10%，归一化均方误差降低15.42%。
信道状态信息预测旨在依据历史观测推算未来信道状态，可为收发机设计和资源分配提供依据，并减少信道测量开销。论文指出，现有深度学习预测器多把不同场景中的信道变化规律固化在模型参数中，面对场景多样性和动态模式差异时，表达能力可能受到限制。
为此，研究人员提出检索增强的信道状态信息预测框架RAG-CSI。其知识库由两部分组成：全局部分收录多个场景的代表性观测，局部部分保存当前服务场景的历史观测。联合状态—动态检索方法同时刻画信道状态、相位动态和幅度动态，据此找出与当前历史相关的序列；随后，变换器预测器利用交叉注意力融合检索结果与当前信道历史，以较少的额外模型参数完成未来状态预测。
在多场景信道状态信息数据集上的实验表明，该方法五项评估指标相对各自的最佳基线，整体改进均超过10%，其中归一化均方误差降低15.42%。结果表明，将可复用历史样本引入预测过程，有助于提升复杂场景下的信道预测表现。
【空音视角】 该研究将检索机制引入信道预测，表明提升适应性的关键不只是扩大模型参数，也在于复用与当前状态及变化规律相近的历史经验。对WiFi感知而言，场景变化、信道波动和多径效应会影响特征提取，状态—动态联合检索可为空音探索场景适配与历史数据复用提供参考。但论文目标仍是通信信道预测，结果不能直接等同于睡眠呼吸、跌倒或生命体征监测性能。应用于实际非接触监测，还需验证真实环境噪声、实时性、跨设备兼容性和临床可用性。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2610.36881
来源：arXiv 信号处理（查看原文）