Integrated RNNs for Rainfall Sensing with Wireless Communication Networks（利用无线通信网络的集成RNNs进行降雨感知）
一、文献基础信息
标题：Integrated RNNs for Rainfall Sensing with Wireless Communication Networks（利用无线通信网络的集成RNNs进行降雨感知）
作者：Dror Jacoby
来源：IEEE声学、语音和信号处理国际会议(ICASSPW)，2024
DOI/链接：10.1109/ICASSPW62465.2024.10627216
分类标签：开题阶段-方法类文献-集成RNN方法
二、文献核心内容
1. 研究问题：传统降雨监测方法（如雷达和雨量计）存在空间覆盖不足和高成本问题，如何利用CMLs作为替代传感器，并通过RNN整合静态物理特征（如链路长度、频率）和动态时序数据（信号衰减），提升降雨估计的准确性、泛化和鲁棒性？特别是在数据稀缺或新部署链路的情况下，如何减少对特定传感器历史数据的依赖？
2. 核心方法：
RNNs架构：提出两种静态嵌入方法——直接嵌入（将静态特征直接注入RNN层）和间接嵌入（将静态特征与动态路径分开处理）。使用GRU（门控循环单元）处理时序数据，并引入时间归一化（TN）层来平衡性能和鲁棒性。
数据处理：结合静态特征（CML物理属性，如频率、长度）和动态特征（信号水平测量），通过RNN学习降雨率。
对比分析：与传统功率定律（PL）方法和非集成RNN比较，评估在噪声污染和对抗样本下的性能。
3. 实验设计：
数据来源：使用以色列和瑞典的实际CML测量数据，包括智能城市的新一代网络数据。数据集覆盖多种CML特征，如不同频率（8-38 GHz）和链路长度。
模型训练：采用RNN变体（如GRU），输入包括静态元数据和动态信号时间序列，输出为降雨率估计。使用RMSE作为评估指标，并引入高斯噪声和对抗样本（FGSM）测试鲁棒性。
对比实验：与基准RNN、PL方法比较，验证I-RNNs在泛化（跨区域）和鲁棒性（噪声下）方面的优势。
4. 核心结果：
RNNs性能提升：在以色列和瑞典数据集上，I-RNNs的RMSE显著低于基准RNN（平均降低15-20%），特别是在数据稀缺的链路中，静态嵌入提高了泛化能力。
鲁棒性分析：引入TN层后，I-RNNs在噪声强度增加时的性能衰减更小（PF_gaussian指标更高），但可能牺牲部分精度。直接嵌入方法在短期预测中更优，间接嵌入适合长期序列。
区域比较：以色列数据（干燥地区）显示I-RNNs对微雨更敏感；瑞典数据（多雨地区）验证了模型对高强度降雨的适应性。
5. 局限性：
计算复杂度：I-RNNs比PL方法更复杂，需要更多计算资源，适合边缘计算的6G网络但在资源受限设备上挑战大。
数据依赖：尽管减少了对特定链路数据的依赖，但极端天气下的稀缺数据仍可能影响模型训练。
扩展性：论文未深入探讨多链路融合或实时部署，需要进一步验证在6G-IoT中的应用。
三、与我的课题关联
1. 可复用内容：I-RNNs方法可用于CSI数据处理，将链路物理特征嵌入RNN/LSTM模型中，提升降雨预测的鲁棒性，比较适合课题中的数据驱动方法。
数据集相关：以色列和瑞典运营CML网络数据，类似于课题中使用的CSI数据集。
方法相关：RNN嵌入静态特征的技术，可参考[17] H. V. Habi and H. Messer, “Recurrent neural network for rain estimation using commercial microwave links,” IEEE Trans. Geosci. Remote Sens., 2021。
2. 待改进方向：/
3. 引用场景：深度学习方法测降雨量
四、疑问和待跟进
1. 疑问：/
2. 待跟进：/