論文の概要: Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave Communication Systems

• arxiv url: http://arxiv.org/abs/2101.05206v2
• Date: Fri, 22 Jan 2021 00:53:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 05:00:02.446028
• Title: Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave Communication Systems
• Title（参考訳）: ミリ波通信システムのためのDeep Learning Assisted Calibrated Beam Training
• Authors: Ke Ma, Dongxuan He, Hancun Sun, Zhaocheng Wang, Sheng Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.297530726877786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Huge overhead of beam training imposes a significant challenge in millimeter-wave (mmWave) wireless communications. To address this issue, in this paper, we propose a wide beam based training approach to calibrate the narrow beam direction according to the channel power leakage. To handle the complex nonlinear properties of the channel power leakage, deep learning is utilized to predict the optimal narrow beam directly. Specifically, three deep learning assisted calibrated beam training schemes are proposed. The first scheme adopts convolution neural network to implement the prediction based on the instantaneous received signals of wide beam training. We also perform the additional narrow beam training based on the predicted probabilities for further beam direction calibrations. The second scheme adopts long-short term memory (LSTM) network for tracking the movement of users and calibrating the beam direction according to the received signals of prior beam training, in order to enhance the robustness to noise. To further reduce the overhead of wide beam training, our third scheme, an adaptive beam training strategy, selects partial wide beams to be trained based on the prior received signals. Two criteria, namely, optimal neighboring criterion and maximum probability criterion, are designed for the selection. Furthermore, to handle mobile scenarios, auxiliary LSTM is introduced to calibrate the directions of the selected wide beams more precisely. Simulation results demonstrate that our proposed schemes achieve significantly higher beamforming gain with smaller beam training overhead compared with the conventional and existing deep-learning based counterparts.
• Abstract（参考訳）: 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。 この問題に対処するため,本稿では,狭ビーム方向をチャネルパワーリークに応じて校正するための広ビームベーストレーニング手法を提案する。 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。 具体的には,3つの深層学習支援ビーム訓練方式を提案する。 第1のスキームは畳み込みニューラルネットワークを採用し、広ビームトレーニングの瞬時受信信号に基づく予測を実装する。 また,さらなるビーム方向校正のための予測確率に基づく狭ビーム訓練も実施した。 第2のスキームは、騒音に対するロバスト性を高めるために、ユーザの動きを追跡し、事前ビームトレーニングの受信信号に従ってビーム方向を調整するための長期記憶(LSTM)ネットワークを採用する。 ワイドビームトレーニングのオーバーヘッドをさらに軽減するため、適応ビームトレーニング戦略である第3のスキームでは、先行受信信号に基づいてトレーニング対象とする部分ワイドビームを選択する。 最適隣接基準と最大確率基準の2つの基準が選択のために設計されている。 さらに、移動シナリオを扱うために、選択したワイドビームの方向をより正確に調整するために補助LSTMを導入する。 シミュレーションの結果,提案手法は従来の深層学習方式に比べてビームトレーニングのオーバーヘッドを小さくし,ビームフォーミングゲインを著しく向上することが示された。

関連論文リスト

• Beam Prediction based on Large Language Models [51.45077318268427]
  ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。 長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。 本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T12:40:01Z)
• 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)
• Beam Training in mmWave Vehicular Systems: Machine Learning for Decoupling Beam Selection [28.79913643775395]
  位置情報を機械学習(ML)ビームレコメンデーションと組み合わせることで、ビームペア選択のオーバーヘッドを低減する方法である。 ユーザ機器(UE)と基地局(BS)のビーム選択を分離するためのMLに基づく位置支援手法を開発した。
  論文  参考訳（メタデータ） (2024-04-16T22:27:23Z)
• 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)
• 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)
• 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)
• End-To-End Optimization of LiDAR Beam Configuration for 3D Object Detection and Localization [87.56144220508587]
  与えられたアプリケーションに対するLiDARビーム構成の最適化を学ぶために、新しい経路を取る。 ビーム構成を自動的に最適化する強化学習に基づく学習最適化フレームワークを提案する。 本手法は低解像度(低コスト)のLiDARが必要な場合に特に有用である。
  論文  参考訳（メタデータ） (2022-01-11T09:46:31Z)
• A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
  軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。 nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
  論文  参考訳（メタデータ） (2021-04-29T18:07:31Z)
• 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)

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。