論文の概要: Fast Initial Access with Deep Learning for Beam Prediction in 5G mmWave Networks

• arxiv url: http://arxiv.org/abs/2006.12653v1
• Date: Mon, 22 Jun 2020 22:35:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 06:57:40.320476
• Title: Fast Initial Access with Deep Learning for Beam Prediction in 5G mmWave Networks
• Title（参考訳）: 5Gmm波ネットワークにおけるビーム予測のためのディープラーニングによる高速初期アクセス
• Authors: Tarun S. Cousik, Vijay K. Shah, Jeffrey H. Reed, Tugba Erpek, Yalin E. Sagduyu
• Abstract要約: DeepIAは、5Gミリ波(mmWave)ネットワークにおける高速で正確な初期アクセス(IA)のためのディープラーニングソリューションである。 そこで,DeepIAは,ビームの除去によりIA時間を短縮し,視線(LoS)および非視線(NLoS)mm波流路条件において従来のIAのビーム予測精度を大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 7.879958190837517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents DeepIA, a deep learning solution for faster and more accurate initial access (IA) in 5G millimeter wave (mmWave) networks when compared to conventional IA. By utilizing a subset of beams in the IA process, DeepIA removes the need for an exhaustive beam search thereby reducing the beam sweep time in IA. A deep neural network (DNN) is trained to learn the complex mapping from the received signal strengths (RSSs) collected with a reduced number of beams to the optimal spatial beam of the receiver (among a larger set of beams). In test time, DeepIA measures RSSs only from a small number of beams and runs the DNN to predict the best beam for IA. We show that DeepIA reduces the IA time by sweeping fewer beams and significantly outperforms the conventional IA's beam prediction accuracy in both line of sight (LoS) and non-line of sight (NLoS) mmWave channel conditions.
• Abstract（参考訳）: 本稿では,従来のIAと比較して5Gミリ波(mmWave)ネットワークにおいて,高速かつ高精度な初期アクセス(IA)を実現するディープラーニングソリューションDeepIAを提案する。 IAプロセスにおけるビームのサブセットを利用することで、DeepIAは排気ビームサーチの必要性を排除し、IAにおけるビームスイープ時間を短縮する。 ディープニューラルネットワーク(DNN)は、受信した信号強度(RSS)から受信機の最適な空間ビーム(より大きなビームのセット)に少ないビームで収集された複雑なマッピングを学習するために訓練される。 テスト時間では、DeepIAは少数のビームからのみRSSを測定し、DNNを実行してIAの最良のビームを予測する。 そこで,DeepIAは,ビームの除去によりIA時間を短縮し,視線(LoS)および非視線(NLoS)mm波流路条件において従来のIAのビーム予測精度を大幅に上回ることを示す。

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)
• UB3: Best Beam Identification in Millimeter Wave Systems via Pure Exploration Unimodal Bandits [7.253481390411171]
  本研究では,受信したビームの信号強度の一様構造を利用して,最適なビームを有限時間で識別するアルゴリズムを開発した。 我々のアルゴリズムは、Unimodal Bandit for Best Beam (UB3) と名付けられ、数ラウンドで高い確率で最適なビームを識別する。
  論文  参考訳（メタデータ） (2022-12-26T09:24:22Z)
• Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
  我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。 我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
  論文  参考訳（メタデータ） (2022-10-23T05:57:39Z)
• Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
  そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。 推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。 提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
  論文  参考訳（メタデータ） (2021-07-27T06:57:56Z)
• Adversarial Attacks on Deep Learning Based mmWave Beam Prediction in 5G and Beyond [46.34482158291128]
  ディープニューラルネットワーク(DNN)は、受信信号強度(RSS)を用いて各UEに最もスランシングされたビームを、可能な狭いビームのサブセットから予測することができる。 そこで本稿では,DNN への入力として,航空機上で捕獲した RSS を操作するための摂動を発生させることにより,敵攻撃を提案する。 この攻撃によりIA性能が大幅に低下し、DNNはガウスや均一なノイズで攻撃を妨害するよりも小さなRSSのビームを選択することにだまされる。
  論文  参考訳（メタデータ） (2021-03-25T17:25:21Z)
• Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mmWave Networks [6.097649192976533]
  DeepIAは、5Gおよび6Gミリメートル(mmWave)ネットワークを超えてAI駆動の高速で信頼性の高い初期アクセスを可能にするフレームワークです。 DeepIAは、利用可能なビームのサブセットのみを利用して、従来の完全検索ベースのIAプロセスと比較してビームスイープ時間を短縮します。 DeepIAのビーム予測精度はIAに使用されるビームの数に飽和し、ビームの特定の選択に依存することを示しています。
  論文  参考訳（メタデータ） (2021-01-06T02:59:49Z)
• CodeVIO: Visual-Inertial Odometry with Learned Optimizable Dense Depth [83.77839773394106]
  本稿では,軽量で密結合の深い深度ネットワークと視覚慣性オドメトリーシステムを提案する。 我々は、初期深度予測の精度を高めるために、以前にVIOから切り離されたスパース特徴を持つネットワークを提供する。 本稿では,ネットワークとコードヤコビアンでのみGPUアクセラレーションを活用しながら,シングルスレッド実行でリアルタイムに動作可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-18T09:42:54Z)
• StrObe: Streaming Object Detection from LiDAR Packets [73.27333924964306]
  ローリングシャッターのLiDARはパケットのストリームとして出力され、それぞれ360degのカバレッジのセクターをカバーする。 現代の認識アルゴリズムは、データを処理する前に全スイープが構築されるのを待つ。 本稿では,LiDARパケットを取り込み,全スイープが構築されるのを待たずに検出ストリームを出力することで,レイテンシを最小化する新しいアプローチであるStrObeを提案する。
  論文  参考訳（メタデータ） (2020-11-12T14:57:44Z)
• Beamforming Learning for mmWave Communication: Theory and Experimental Validation [23.17604790640996]
  本稿では,最小ビームフォーミングゲインを保証しながら,探索時間を短縮し,CSIを必要としないビーム設計手法を提案する。 提案手法の有効性を,実生活計測によるコードブックの構築と性能評価の観点から評価する。
  論文  参考訳（メタデータ） (2019-12-28T05:46:39Z)

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。