Gaussian Process Methods for Estimating Radio Channel Characteristics

Gaussian processes (GPs) as a Bayesian regressionmethod have been around for some time. Since proven advant-ageous for sparse and noisy data, we explore the potential ofGaussian process regression (GPR) as a tool for estimating radiochannel characteristics.Specifically, we consider the estimation of a time-varyingcontinuous transfer function from discrete samples. We introducethe basic theory of GPR, and employ both GPR and its deep-learning counterpart deep Gaussian process regression (DGPR)for estimation. We find that both perform well, even with fewsamples. Additionally, we relate the channel coherence bandwidthto a GPR hyperparameter called length-scale. The results show atendency towards proportionality, suggesting that our approachoffers an alternative way to approximate the coherence band-width.Gaussiska processer (Gaussian processes,GPs) har länge använts för Bayesiansk regression. Då de visat sigfördelaktiga för gles och brusig data utforskar vi möjligheternaför GP-regression (Gaussian process regression, GPR) som ettverktyg för att estimera egenskaper hos radiokanaler.Isynnerhetbetraktasskattningaventidsvarierandeöverföringsfunktion utifrån diskreta samplingar. Vi presenterarden grundläggande teorin kring GPR, och använder både GPRoch dess djupinlärningsmotsvarighet DGPR (deep Gaussian pro-cess regression) för skattning. Båda ger goda resultat, även när samplingarna är få. Utöver detta så relaterar vi koherens-bandbredden hos en radiokanal till en hyperparameter i GPR-modellen. Resultaten visar på en tendens till proportionalitet,vilket antyder att vår metod kan användas som ett alternativt sätt att approximera koherensbandbredden.Kandidatexjobb i elektroteknik 2020, KTH, Stockhol