无线通信系统链路速率建模的混合专家模型（B25102860321）

摘要：无线通信是现代信息社会的重要基础设施，其链路速率直接影响资源调度、链路优化与系统设计的效率。本文围绕提升实际传输速率的估计精度展开研究，通过系统化的数据预处理与模型优化，有针对性地解决了该任务中的三个关键问题。

针对问题一，在关闭发送波束赋形（noTxBF）的 MIMO-OFDM 通信场景下，利用完备数据集 A 拟合指数型等效 SINR 映射（EESM）模型的关键参数。本文将 EESM 模型的参数拟合问题转换为模型参数搜索优化问题，以最小化预测 MCS 与真实 MCS 标签之间的均方误差为目标，综合应用遗传算法、梯度下降法、粒子群优化、模拟退火以及遗传-梯度下降混合算法。实验结果表明，遗传-梯度下降混合算法在三个完备数据集上均取得最佳性能，MSE 指标相较于次优模型最大提升 10.2%。基于其优越表现，本文采用该算法求解最优拟合参数 $\alpha$ 和 $\beta$，并利用所拟合的模型对不完备数据集 B 进行链路速率预测。

针对问题二，在 noTxBF 场景下，为突破传统 EESM 模型的局限性，本文从深度学习角度提出了一种新型链路速率预测模型——链路速率建模的混合专家模型（LRMMoE）。该模型融合卷积神经网络（CNN）、残差网络（ResNet）、长短期记忆网络（LSTM）和 Transformer 四种专家网络，并引入门控网络自适应地融合各专家提取的特征。通过与多种主流统计回归与深度学习模型的全面对比，实验结果显示，LRMMoE 在所有测试数据集上均表现出更优性能，在三个终端测试数据上，MSE 最大提升 16.2%，MAE 最大提升 5.2%，MAPE 均稳定在 2% 左右。该模型有效整合了不同网络结构的优势，在预测精度与稳定性方面显著优于单一基准模型。

针对问题三，在开启发送波束赋形（TxBF）的 MIMO-OFDM 场景下，本文以 LRMMoE 为基础框架构建数据驱动模型。关键改进在于输入特征的设计，采用更能反映 TxBF 信道特性的新特征组合：空间流增益与波束赋形下的 SINR。结合消融实验与超参数优化，确定了各专家网络的贡献权重及模型的最佳训练配置。优化后的 LRMMoE 模型在六个终端数据集上均取得最优预测性能，相较于次优模型，MSE 最大提升 29.5%，MAE 最大提升 21.5%，MAPE 指标均低于 2%。

关键词：EESM模型参数拟合，遗传梯度算法，混合专家模型，链路速率预测

1. 模型整体框架图

Mixture of Experts model for communication link rate modeling (LRMMoE)

2.数据准备

获取、下载数据，并创建路径“dataset/”并将数据集放入“dataset/”中。

3.问题1求解（TxBF关闭）

运行notxbf_com_excels_f4中的脚本文件。

sh ./notxbf_com_excels_f4/run_fit_eesm.sh

4.问题2求解（TxBF关闭）

运行notxbf_com_excels_f4中的脚本文件，其中run_regression_eesm.sh为统计学习方法模型，run_lrmmoe_eesm.sh为深度学习方法模型（包含CNN、LSTM、Transformer和ResNet模型，及对应的混合专家模型）

sh ./notxbf_com_excels_f4/run_lrmmoe_eesm.sh
sh ./notxbf_com_excels_f4/run_regression_eesm.sh

5.问题3求解（TxBF开启）

运行txbf_com_excels_f4中的脚本文件，其中run_regression_eesm.sh为统计学习方法模型，run_lrmmoe_eesm.sh为深度学习方法模型（包含CNN、LSTM、Transformer和ResNet模型，及对应的混合专家模型）

sh ./txbf_com_excels_f4/run_lrmmoe_eesm.sh
sh ./txbf_com_excels_f4/run_regression_eesm.sh

6.问题求解原始数据结果

论文中具体的实验结果详细可在文件夹 ./results/ 查询，考虑到试验原始结果内存占用过大（大于1GB），只展示最终结果便于查看，

• 问题1实验原始结果
• 问题2实验原始结果
• 问题3实验原始结果

致谢

如果您发现此存储库对您的研究有帮助，请引用我们的内容。

@techreport{yangxia2025,
  author       = {夏阳, 汪子然 and 陈佳文},
  title        = {无线通信系统链路速率建模的混合专家模型},
  year         = {2025},
  institution  = {东南大学},
  address      = {中国},
  month        = {9},
  note         = {B25102860321},
  url          = {https://github.com/SEU-WENJIA/LRMMoE}
}