論文の概要: Deep Reinforcement Learning based Blind mmWave MIMO Beam Alignment

• arxiv url: http://arxiv.org/abs/2001.09251v2
• Date: Sat, 20 Feb 2021 14:02:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 00:24:38.525512
• Title: Deep Reinforcement Learning based Blind mmWave MIMO Beam Alignment
• Title（参考訳）: ブラインドmm波MIMOビームアライメントに基づく深部強化学習
• Authors: Vishnu Raj, Nancy Nayak and Sheetal Kalyani
• Abstract要約: 基地局が取得したユーザ機器のRF指紋に基づくブラインドビームアライメント手法を提案する。 提案システムでは,複数の移動体ユーザが深層強化学習を用いて,複数の基地局セル環境上でブラインドビームアライメントを行う。 提案手法は,オーバーヘッドを伴わずに従来の手法の最大4倍のデータレートが得られることを示す。
• 参考スコア（独自算出の注目度）: 11.17667928756077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Directional beamforming is a crucial component for realizing robust wireless communication systems using millimeter wave (mmWave) technology. Beam alignment using brute-force search of the space introduces time overhead while location aided blind beam alignment adds additional hardware requirements to the system. In this paper, we introduce a method for blind beam alignment based on the RF fingerprints of user equipment obtained by the base stations. The proposed system performs blind beam alignment on a multiple base station cellular environment with multiple mobile users using deep reinforcement learning. We present a novel neural network architecture that can handle a mix of both continuous and discrete actions and use policy gradient methods to train the model. Our results show that the proposed method can achieve a data rate of up to four times the traditional method without any overheads.
• Abstract（参考訳）: 指向性ビームフォーミングはミリ波(mmWave)技術を用いたロバスト無線通信システムを実現する上で重要な要素である。 ブルートフォースによる空間探索によるビームアライメントは時間オーバーヘッドをもたらし、ロケーション支援ブラインドビームアライメントはシステムに追加のハードウェア要件を追加する。 本稿では,基地局が取得したユーザ機器のRF指紋に基づくブラインドビームアライメント手法を提案する。 提案システムでは,複数の移動体ユーザが深層強化学習を用いて,複数の基地局セル環境上でブラインドビームアライメントを行う。 本稿では,連続動作と離散動作の混在を処理し,モデルの学習にポリシ勾配法を用いる,新たなニューラルネットワークアーキテクチャを提案する。 その結果,提案手法は従来の手法の最大4倍のデータレートをオーバーヘッドなく実現できることがわかった。

関連論文リスト

• Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
  深層学習に基づく近接場ビームトレーニング手法を提案する。 我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。 提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-06-05T13:26:25Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• Reliable Beamforming at Terahertz Bands: Are Causal Representations the Way Forward? [85.06664206117088]
  マルチユーザ無線システムは、テラヘルツ帯域と大量のアンテナを利用することで、メタバース要件を満たすことができる。 既存の解にはチャネル力学の適切なモデリングが欠如しており、その結果、高流動シナリオにおける不正確なビームフォーミング解が生じる。 ここでは、変分因果推論における新しい人工知能アルゴリズムを利用して、動的で意味論的に認識されたビームフォーミングソリューションを初めて提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:02:46Z)
• Deep Learning for Hybrid Beamforming with Finite Feedback in GSM Aided mmWave MIMO Systems [9.320559153486885]
  ハイブリッドビームフォーミングはミリ波多重出力(MIMO)システムにおいて重要な技術として広く認識されている。 ディープラーニングの助けを借りて、GSMハイブリッドビームフォーマは、教師なし学習をエンドツーエンドで設計する。
  論文  参考訳（メタデータ） (2023-02-15T11:42:43Z)
• MIMO-DBnet: Multi-channel Input and Multiple Outputs DOA-aware Beamforming Network for Speech Separation [55.533789120204055]
  混合信号のみを用いた方向案内音声分離のためのエンドツーエンドビームフォーミングネットワークを提案する。 具体的には,複数チャネルの入力と複数出力アーキテクチャを設計し,各ソースの指向性に基づく埋め込みとビームフォーミング重みを推定する。
  論文  参考訳（メタデータ） (2022-12-07T01:52:40Z)
• Learning-Based UE Classification in Millimeter-Wave Cellular Systems With Mobility [67.81523988596841]
  ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。 効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。 これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
  論文  参考訳（メタデータ） (2021-09-13T12:00:45Z)
• Deep Learning-based Compressive Beam Alignment in mmWave Vehicular Systems [75.77033270838926]
  車両用チャネルは、より少ないチャネル測定でビームアライメントに活用できる構造を示す。 構造化圧縮センシング(CS)行列を設計するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-02-27T04:38:12Z)
• Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave Communication Systems [15.297530726877786]
  ビームトレーニングの膨大なオーバーヘッドはミリ波(mmWave)無線通信において大きな課題となる。 チャネル電力の漏れに応じて狭いビーム方向を校正する広いビームベースのトレーニングアプローチを提案します。 チャネルパワーリークの複雑な非線形特性に対処するために、ディープラーニングを用いて最適な狭ビームを直接予測する。
  論文  参考訳（メタデータ） (2021-01-08T04:02:34Z)
• Applying Deep-Learning-Based Computer Vision to Wireless Communications: Methodologies, Opportunities, and Challenges [100.45137961106069]
  ディープラーニング(DL)はコンピュータビジョン(CV)分野で大きな成功を収めている。 本稿では,無線通信におけるDLベースのCVの適用について紹介する。
  論文  参考訳（メタデータ） (2020-06-10T11:37:49Z)
• A Machine Learning Solution for Beam Tracking in mmWave Systems [33.1010771477611]
  現実シナリオにおける特定の経路に対する到着角(AoA)を追跡するための機械学習ベースのアプローチを探索する。 本稿では,ネットワークを逐次データでトレーニングする手法を提案し,提案手法の性能を拡張Kalmanフィルタ法と比較した。
  論文  参考訳（メタデータ） (2019-12-29T06:18:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。