arXiv cs.AI· Mingjie Cao, Gewei Zhang, Deqing Wang, Lizhao You, Fei-Yun Wu, Liqun Fu·· 1 天前AI 评分18
LLM4UACP：双域结构保持与预训练 Transformer 实现多步水声信道预测
Multi-Step Underwater Acoustic Channel Prediction via Dual-Domain Structure Preservation and Pretrained Transformer
AI 导读
LLM4UACP 通过双域结构保持框架改造预训练 Transformer，实现少样本多步水声信道预测。该方法融合 CIR 与 CFR 特征并以延迟-时间 token 编码，经 Butterfly Orthogonal Fine-tuning 单次前向预测多个未来 CIR，避免递归误差累积。
正文 · AI 翻译
摘要：准确的信道状态信息（CSI）对未来水声（UWA）通信至关重要，因为信号传播、反馈、调度和收发器重配置相关的延迟会使当前可用的 CSI 过时。然而，现有的大多数预测器仅估计下一个信道状态，并通过递归展开获得多步预测，这会导致预测误差随着多径结构的演变而累积。海试测量数据的稀缺进一步限制了可靠的模型训练。为应对这些挑战，我们提出 LLM4UACP，一种双域、结构保持的框架，将预训练 Transformer 适配于少样本多步 UWA 信道预测。LLM4UACP 从信道冲激响应（CIR）和信道频率响应（CFR）中提取互补特征，通过傅里叶一致性融合对其进行对齐，并将融合后的表示编码为时延-时间 token。采用冻结骨干的预训练 Transformer 通过 Butterfly 正交微调进行适配，在单次前向传播中联合预测多个未来 CIR，从而避免递归预测带来的误差累积。在实测的 SO-06 和 SO-07 信道上进行的实验表明，LLM4UACP 的归一化均方误差（NMSE）分别为 0.0411 和 0.0399，相对于最新的基线分别降低了 88.53% 和 85.15%。LLM4UACP 仅有 0.11M 可训练参数，在不同预测时域和观测窗口长度、有限数据设置以及跨数据集迁移场景下均保持稳健性能。
| 学科： | 声音（cs.SD）；人工智能（cs.AI）；机器学习（cs.LG）；信号处理（eess.SP） |
| 引用为： | arXiv:2611.14592 [cs.SD] |
| （或 arXiv:2611.14592v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14592 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Deqing Wang [查看邮箱]
[v1]
2026年11月10日 星期二 08:38:49 UTC（3,960 KB）
来源：arXiv cs.AI · arxiv.org