論文の概要: A Combined Stochastic and Physical Framework for Modeling Indoor 5G
Millimeter Wave Propagation
- arxiv url: http://arxiv.org/abs/2002.05162v2
- Date: Mon, 17 Feb 2020 11:12:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 20:23:44.360059
- Title: A Combined Stochastic and Physical Framework for Modeling Indoor 5G
Millimeter Wave Propagation
- Title(参考訳): 屋内5gミリ波伝搬モデルのための確率的・物理的組み合わせフレームワーク
- Authors: Georges Nassif, Catherine Gloaguen, and Philippe Martins
- Abstract要約: iGeoStatは、屋内環境モデリングと高度な物理伝搬シミュレーションを組み合わせた理論的フレームワークである。
室内環境パラメータがmWave伝搬特性に与える影響を統計的に把握することを目的としている。
- 参考スコア(独自算出の注目度): 0.39762912548964846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Indoor coverage is a major challenge for 5G millimeter waves (mmWaves). In
this paper, we address this problem through a novel theoretical framework that
combines stochastic indoor environment modeling with advanced physical
propagation simulation. This approach is particularly adapted to investigate
indoor-to-indoor 5G mmWave propagation. Its system implementation, so-called
iGeoStat, generates parameterized typical environments that account for the
indoor spatial variations, then simulates radio propagation based on the
physical interaction between electromagnetic waves and material properties.
This framework is not dedicated to a particular environment, material,
frequency or use case and aims to statistically understand the influence of
indoor environment parameters on mmWave propagation properties, especially
coverage and path loss. Its implementation raises numerous computational
challenges that we solve by formulating an adapted link budget and designing
new memory optimization algorithms. The first simulation results for two major
5G applications are validated with measurement data and show the efficiency of
iGeoStat to simulate multiple diffusion in realistic environments, within a
reasonable amount of time and memory resources. Generated output maps confirm
that diffusion has a critical impact on indoor mmWave propagation and that
proper physical modeling is of the utmost importance to generate relevant
propagation models.
- Abstract(参考訳): 室内カバーは、5Gミリ波(mmWaves)にとって大きな課題である。
本稿では,確率的屋内環境モデリングと高度な物理伝搬シミュレーションを組み合わせた理論的枠組みにより,この問題に対処する。
このアプローチは室内から室内への5Gmm波伝搬の観測に特に適している。
iGeoStatと呼ばれるシステムの実装は、屋内空間の変動を考慮したパラメータ化された典型的な環境を生成し、電磁波と材料特性の間の物理的相互作用に基づいて電波伝搬をシミュレートする。
本フレームワークは, 特定の環境, 材料, 周波数, 使用事例に特化せず, 室内環境パラメータがmmWave伝搬特性, 特にカバレッジと経路損失に与える影響を統計的に理解することを目的としている。
その実装は、適応されたリンク予算を定式化し、新しいメモリ最適化アルゴリズムを設計することで解決する多くの計算課題を提起する。
2つの主要な5Gアプリケーションの最初のシミュレーション結果は、測定データを用いて検証され、実環境における複数の拡散を、妥当な時間と記憶資源でシミュレートするiGeoStatの効率を示す。
生成した出力マップは、拡散が室内mmWave伝播に重要な影響を与え、適切な物理モデリングが関連する伝播モデルを生成する上で最も重要であることを確認する。
関連論文リスト
- High Resolution Seismic Waveform Generation using Denoising Diffusion [3.5046784866523932]
本研究では, 高周波波形生成のための新しい, 効率的, スケーラブルな生成モデルを提案する。
地震波形データのスペクトログラム表現を、オートエンコーダを介して低次元のサブ多様体に還元する。
最先端拡散モデルを用いて、キー入力パラメータを条件に、この潜伏表現を生成する。
論文 参考訳(メタデータ) (2024-10-25T07:01:48Z) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳(メタデータ) (2023-10-11T18:38:28Z) - Neural Acoustic Context Field: Rendering Realistic Room Impulse Response
With Neural Fields [61.07542274267568]
このレターでは、音声シーンをパラメータ化するためのNACFと呼ばれる新しいニューラルネットワークコンテキストフィールドアプローチを提案する。
RIRのユニークな性質により、時間相関モジュールとマルチスケールエネルギー崩壊基準を設計する。
実験の結果,NACFは既存のフィールドベース手法よりも顕著なマージンで優れていた。
論文 参考訳(メタデータ) (2023-09-27T19:50:50Z) - Variational waveguide QED simulators [58.720142291102135]
導波管QEDシミュレータは1次元フォトニックバンドギャップ材料と相互作用する量子エミッタによって構成される。
ここでは、これらの相互作用がより効率的な変分量子アルゴリズムを開発するためのリソースとなることを実証する。
論文 参考訳(メタデータ) (2023-02-03T18:55:08Z) - Reduced Order Probabilistic Emulation for Physics-Based Thermosphere
Models [0.0]
本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。
利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。
また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
論文 参考訳(メタデータ) (2022-11-08T17:36:37Z) - SeismicNet: Physics-informed neural networks for seismic wave modeling
in semi-infinite domain [11.641708412097659]
半無限領域における地震波モデリングのための新しい物理インフォームドニューラルネットワーク(PINN)モデルを提案する。
計算効率の面では、ネットワークのスケーラビリティと解の精度を向上させるために、時間領域分解による逐次訓練戦略を検討する。
提案したPINNモデルの性能を評価するために,様々な数値実験が実施されている。
論文 参考訳(メタデータ) (2022-10-25T14:25:07Z) - Wave simulation in non-smooth media by PINN with quadratic neural
network and PML condition [2.7651063843287718]
最近提案された物理インフォームドニューラルネットワーク(PINN)は、幅広い偏微分方程式(PDE)を解くことに成功している。
本稿では、波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解き、震源の摂動を除去する。
PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
論文 参考訳(メタデータ) (2022-08-16T13:29:01Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Prediction of Ultrasonic Guided Wave Propagation in Solid-fluid and
their Interface under Uncertainty using Machine Learning [0.0]
我々は,構造物の材料および幾何学的特性の不確かさを考慮し,既存研究を推し進める。
本研究では,不確実性の下での多物理問題の解法に固有の複雑性に対処する効率的なアルゴリズムを開発する。
提案手法は不確実性が存在する場合にWpFSI問題を正確に予測する。
論文 参考訳(メタデータ) (2021-03-30T01:05:14Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z)
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。