用于IEEE 802.11be环境中延迟扩展估计和剩余保护间隔利用的不确定性感知机器学习

《Electronics》：Uncertainty-Aware Machine Learning for Delay-Spread Estimation and Surplus Guard Interval Utilization in IEEE 802.11be Environments

　　

在此，研究人员提出了一种基于不确定性量化（Uncertainty Quantification, UQ）的框架，用于在IEEE 802.11be环境中将均方根（Root Mean Square, RMS）延迟扩展σ估计为概率分布。该方法使用从第90百分位数估计?σ_q90导出的安全裕度选择保护间隔（Guard Interval, GI），并将剩余GI用于次传输（secondary transmission）。传统的最小二乘（Least Squares, LS）估计器表现出约150 ns的RMS误差，导致超过90%的低估和低效的GI利用。为解决此问题，研究人员训练了一个包含28,259个参数的轻量级一维卷积神经网络（one-dimensional Convolutional Neural Network, 1D-CNN），使用pinball损失和softplus单调性约束，以产生σ分布的q10、q50和q90分位数。应用基于安全裕度的策略GI_min = α·?σ_q90，剩余GI承载短快速傅里叶变换（Fast Fourier Transform, FFT）子正交频分复用（sub-Orthogonal Frequency Division Multiplexing, sub-OFDM）次传输。在IEEE TGn B、D和E信道上，在α = 3.5时经过810,000次试验，该方法将RMS误差从150 ns降至28 ns，将低估率从92%降至23%（与信噪比无关），并将有效吞吐量（goodput）提高14%（从9.74 Mbps至11.12 Mbps），与σ已知基线相当。符合标准、向后兼容的方案为下一代无线局域网提供了可扩展架构。

**论文解读：基于不确定性量化的延迟扩展估计与保护间隔利用——IEEE 802.11be环境下的机器学习方法**

**研究背景与问题**
IEEE 802.11be（Wi-Fi 7）标准通过引入4096-QAM、320 MHz带宽和多链路操作，目标实现多Gbps数据速率。该标准依赖正交频分复用（OFDM），但在多径环境下，延迟信号分量会导致符号间干扰（ISI）。均方根（RMS）延迟扩展σ是表征多径信道时间扩散的关键参数，其准确估计对于自适应保护间隔（GI）选择至关重要。传统最小二乘（LS）估计器在低信噪比（SNR）下偏差大，估计误差约150 ns，低估率超过90%，导致GI选择不当，造成ISI或开销浪费。现有深度学习方法虽能提高精度，但通常需数百万参数且仅提供点估计，缺乏置信度量化。因此，研究人员提出一种基于不确定性量化（UQ）的框架，旨在估计σ的分布而非单点值，利用安全裕度选择GI，并将剩余GI用于次传输，以提升系统有效吞吐量。该研究发表在《Electronics》。

**关键技术与方法**
研究人员采用轻量级一维卷积神经网络（1D-CNN），仅含28,259个参数，以频率域信道响应（CFR）统计特征（幅值、相邻子载波绝对一阶差分、归一化自相关、跨测量标准差）为输入，通过pinball损失和softplus单调约束训练，输出σ的q10、q50、q90分位数。基于q90估计制定GI选择策略GI_min = α·?σ_q90，并将剩余GI用于短FFT子OFDM（sub-OFDM）次传输（FFT大小0.8 μs，61个子载波，16-QAM）。仿真使用IEEE TGn B、D、E信道模型，通过延迟缩放生成9种目标σ（25–600 ns），SNR范围为5–30 dB，共810,000次独立试验。

**研究结果**

**5.1 仿真设置**
比较五种基线：LS（LS估计+无次传输）、LS+surplus（LS估计+次传输）、ML-point（q50点估计+次传输）、ML-aware（q90分位数估计+次传输，本文方法）和σ-known（真实σ）。评估矩阵包含3种信道×6种SNR×9种σ×5种基线=810个单元，每单元1000次随机试验。

**5.2 估计精度与安全性**
- **RMSE**：ML-point（q50）的RMSE随SNR从43 ns（5 dB）降至22 ns（30 dB），平均28 ns，而LS估计RMSE约150 ns且不随SNR变化。
- **低估率**：LS和LS+surplus低估率约92%；ML-aware（q90）低估率降至23.6%，其中σ≤400 ns时仅5.1%，但σ≥500 ns（超出训练范围1–500 ns）时覆盖率下降。
- **残余ISI率**：LS为30.4%，ML-point为3.7%，ML-aware仅为0.42%，较LS降低约72倍。
- **校准性**：在训练范围内，q90的经验单侧覆盖率为94.8%（TGn B）、96.0%（TGn D）、93.9%（TGn E），随SNR从91.9%（5 dB）增至96.7%（30 dB）。

**5.3 有效吞吐量分析**
- 小σ（25–150 ns）：所有方案均选0.8 μs GI，无次传输，有效吞吐量约14.5 Mbps。
- 中σ（300–400 ns）：ML-aware因q90保守估计提前跨过GI阈值，选3.2 μs GI，容纳1个sub-OFDM符号，有效吞吐量显著高于其他方案（如400 ns时15.50 Mbps，比σ-known的13.86 Mbps高12%）。
- 大σ（500–600 ns）：所有方案选3.2 μs GI，有效吞吐量约22.3 Mbps，较LS提升约60%。
- 全矩阵平均：ML-aware有效吞吐量11.12 Mbps，优于LS的9.74 Mbps，并略高于σ-known的11.01 Mbps。

**5.4 GI量化效应与α敏感性分析**
- **GI量化效应**：离散GI选项与整数粒度sub-OFDM调度交互导致性能增益（如σ=400 ns，ML-aware多获1.64 Mbps）或损失（如σ=200 ns，ML-aware损失0.11 Mbps）。增益整体超过损失。
- **α敏感性**：α=3.5时ML-aware达到与σ-known相当的有效吞吐量；α=4.0时ML-aware进一步增至11.56 Mbps，但σ-known下降至10.28 Mbps。α不影响低估率，因此可视为吞吐量调度参数。

**讨论与结论**
研究人员识别出GI量化效应，即离散GI选择与整数粒度子OFDM调度相互作用导致非单调性能变化。该效应使ML-aware在某些操作条件下超越σ-known基线。所提框架使用未经修改的IEEE 802.11be标准GI选项，保持兼容性；sub-OFDM次传输作为向后兼容扩展，传统终端将其视为常规GI。研究局限性包括单流仿真设置、16-QAM配置等。未来工作包括自适应α调度、多用户/多链路扩展、硬件验证等。

**结论翻译**：在此，提出了一种在IEEE 802.11be系统中结合分布延迟扩展估计与基于UQ的GI选择的框架。该方法使用包含28,259个参数的轻量级1D-CNN直接估计q10、q50和q90分位数，并通过基于q90的风险感知GI选择策略显著降低了与LS方法相比的低估率。此外，该框架利用所选GI的剩余GI进行短FFT子OFDM次传输，提高了整体有效吞吐量。在810,000次仿真试验中，该方法在α=3.5时将基于q50的RMSE从LS估计的150 ns降至28 ns。在相同条件下，平均有效吞吐量从9.74 Mbps提高到11.12 Mbps。所提出的ML-aware框架实现了与σ已知基线相当的性能，同时提供了显著更低的低估率。分析识别出由离散GI选择与整数粒度子OFDM调度相互作用产生的GI量化效应。在某些操作条件下，该效应使ML-aware能够获得比σ已知基线更高的有效吞吐量。由于所提出的框架使用未经修改的IEEE 802.11be标准GI选项，因此与现有标准保持兼容。此外，子OFDM次传输作为向后兼容的扩展运行，因为不支持它的传统终端可以简单地将相应间隔视为常规GI。