論文の概要: Exploitation of Channel-Learning for Enhancing 5G Blind Beam Index Detection

• arxiv url: http://arxiv.org/abs/2012.03631v1
• Date: Mon, 7 Dec 2020 12:24:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 21:07:48.997128
• Title: Exploitation of Channel-Learning for Enhancing 5G Blind Beam Index Detection
• Title（参考訳）: チャネルラーニングによる5gブラインドビーム指標検出の促進
• Authors: Ji Yoon Han, Ohyun Jo and Juyeop Kim
• Abstract要約: 本研究は,5Gセルとビームインデックス検索の性能を機械学習技術により向上させる方法について検討する。 5Gビームインデックス検出の性能を高めるために,新しいチャネル学習手法を提案し,実装する。
• 参考スコア（独自算出の注目度）: 1.9981375888949475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Proliferation of 5G devices and services has driven the demand for wide-scale enhancements ranging from data rate, reliability, and compatibility to sustain the ever increasing growth of the telecommunication industry. In this regard, this work investigates how machine learning technology can improve the performance of 5G cell and beam index search in practice. The cell search is an essential function for a User Equipment (UE) to be initially associated with a base station, and is also important to further maintain the wireless connection. Unlike the former generation cellular systems, the 5G UE faces with an additional challenge to detect suitable beams as well as the cell identities in the cell search procedures. Herein, we propose and implement new channel-learning schemes to enhance the performance of 5G beam index detection. The salient point lies in the use of machine learning models and softwarization for practical implementations in a system level. We develop the proposed channel-learning scheme including algorithmic procedures and corroborative system structure for efficient beam index detection. We also implement a real-time operating 5G testbed based on the off-the-shelf Software Defined Radio (SDR) platform and conduct intensive experiments with commercial 5G base stations. The experimental results indicate that the proposed channel-learning schemes outperform the conventional correlation-based scheme in real 5G channel environments.
• Abstract（参考訳）: 5gデバイスとサービスの急増により、データレート、信頼性、互換性など幅広い拡張の需要が高まり、通信業界はますます成長を続けている。 本研究では,機械学習技術が5gセルとビームインデックス検索の性能を実際に向上させる方法について検討する。 セルサーチは、ユーザ機器(UE)が最初に基地局に接続する上で不可欠な機能であり、無線接続をさらに維持することが重要である。 旧世代の細胞システムとは異なり、5G UEは、細胞探索手順における適切なビームと細胞同一性を検出するための追加の課題に直面している。 本稿では,5Gビームインデックス検出の性能向上を目的としたチャネル学習手法を提案する。 注目すべき点は、システムレベルでの実践的実装のために、機械学習モデルとソフトウォーリゼーションを使用することにある。 本稿では,効率的なビームインデックス検出のためのアルゴリズム手順と相関システム構造を含むチャネル学習手法を提案する。 また,市販のsoftware defined radio (sdr) プラットフォームに基づく実時間5gテストベッドを実装し,商用5g基地局で集中的な実験を行った。 実験の結果,提案手法は実5gチャネル環境において従来の相関方式よりも優れていた。

関連論文リスト

• 5G NR PRACH Detection with Convolutional Neural Networks (CNN): Overcoming Cell Interference Challenges [0.0]
  畳み込みニューラルネットワーク(CNN)を用いた5Gニューラジオ(5G-NR)ネットワークにおける干渉検出の新しい手法を提案する。 我々のCNNベースのモデルは、様々な干渉シナリオの中で物理ランダムアクセスチャンネル(PRACH)のシーケンスを検出するように設計されている。 実験の結果,従来のPRACH検出手法よりも精度,精度,リコール,F1スコアが優れていた。
  論文  参考訳（メタデータ） (2024-08-21T14:33:43Z)
• Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights [52.024964564408]
  本稿では,プロトコルスタックのすべてのレベルにわたってフェデレートラーニングを実装することの付加価値について検討する。 それは重要なFLアプリケーションを示し、ホットトピックに対処し、将来の研究と開発のための貴重な洞察と明示的なガイダンスを提供します。 我々の結論は、FLと将来の6Gの相乗効果を活用しつつ、FLがワイヤレス産業に革命をもたらす可能性を浮き彫りにすることを目的としています。
  論文  参考訳（メタデータ） (2023-12-07T20:39:57Z)
• Distributed Learning Meets 6G: A Communication and Computing Perspective [24.631203542364908]
  Federated Learning (FL) は、著名な無線アプリケーションで選択されるDLアーキテクチャとして登場した。 実例として、FLフレームワークにMARL(Multi-Agent Reinforcement Learning)を適用し、動的スペクトルアクセス(DSA)問題に適用する。 6GネットワークにDLアプローチを適用する際の最新の課題も強調されている。
  論文  参考訳（メタデータ） (2023-03-02T15:15:33Z)
• Real-Time GPU-Accelerated Machine Learning Based Multiuser Detection for 5G and Beyond [70.81551587109833]
  非線形ビームフォーミングフィルタは、大規模な接続を伴う定常シナリオにおいて、線形アプローチを著しく上回る。 主な課題の1つは、これらのアルゴリズムのリアルタイム実装である。 本稿では,大規模並列化によるAPSMに基づくアルゴリズムの高速化について検討する。
  論文  参考訳（メタデータ） (2022-01-13T15:20:45Z)
• Reinforcement Learning Assisted Beamforming for Inter-cell Interference Mitigation in 5G Massive MIMO Networks [0.0]
  ビームフォーミングは、MMIMO(Multiple-input-multiple-output)通信において重要な技術である。 細胞間干渉(ICI)は、周波数再利用技術による5G通信が直面する主な障害の1つである。 5GダウンリンクにおけるICI緩和のための強化学習(RL)支援フルダイナミックビームフォーミングを提案する。
  論文  参考訳（メタデータ） (2021-01-27T07:18:07Z)
• To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
  Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。 モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。 我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
  論文  参考訳（メタデータ） (2020-12-21T01:13:44Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)
• Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON) [0.0]
  機械学習(ML)は、運用、管理、保守(OAM)活動を強化する上で重要な要素である自己組織化ネットワーク(SON)に含まれる。 この研究の主な目的は、5Gスタンドアロンコアネットワークにおける機械学習(ML)の概要である。
  論文  参考訳（メタデータ） (2020-11-24T18:57:40Z)
• A Comprehensive Overview on 5G-and-Beyond Networks with UAVs: From Communications to Sensing and Intelligence [152.89360859658296]
  5Gネットワークは、拡張モバイルブロードバンド(eMBB)、超信頼性低遅延通信(URLLC)、大規模機械型通信(mMTC)の3つの典型的な利用シナリオをサポートする必要がある。 一方、UAVはコスト効率のよい航空プラットフォームとして利用でき、地上の利用者に高い高度と3D空間での操作性を利用して通信サービスを強化することができる。 一方,UAVと地上ユーザの両方に同時に通信サービスを提供することは,ユビキタスな3D信号網と強力な地上ネットワーク干渉の必要性から,新たな課題を提起する。
  論文  参考訳（メタデータ） (2020-10-19T08:56:04Z)
• A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning [115.75967665222635]
  超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。 ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。 このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
  論文  参考訳（メタデータ） (2020-09-13T14:53:01Z)
• A Big Data Enabled Channel Model for 5G Wireless Communication Systems [71.93009775340234]
  本稿では,ビッグデータ解析,特に無線通信およびチャネルモデリングにおける機械学習アルゴリズムの様々な応用について検討する。 本稿では,ビッグデータと機械学習を利用した無線チャネルモデルフレームワークを提案する。 提案するチャネルモデルは、フィードフォワードニューラルネットワーク(FNN)やラジアル基底関数ニューラルネットワーク(RBF-NN)を含む、人工ニューラルネットワーク(ANN)に基づいている。
  論文  参考訳（メタデータ） (2020-02-28T05:56:14Z)

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。