Fugu-MT 論文翻訳(概要): Deep Learning for Moving Blockage Prediction using Real Millimeter Wave Measurements

論文の概要: Deep Learning for Moving Blockage Prediction using Real Millimeter Wave Measurements

arxiv url: http://arxiv.org/abs/2101.06886v3
Date: Mon, 8 Feb 2021 06:38:33 GMT
ステータス: 処理完了
システム内更新日: 2021-03-27 17:27:26.838059
Title: Deep Learning for Moving Blockage Prediction using Real Millimeter Wave Measurements
Title（参考訳）: 実ミリ波計測による移動ブロック予測のための深層学習
Authors: Shunyao Wu, Muhammad Alrabeiah, Andrew Hredzak, Chaitali Chakrabarti, and Ahmed Alkhateeb
Abstract要約: ミリ波(mmWave)通信は5G以降の重要なコンポーネントである。視覚リンクラインの突然の遮断は、ネットワークの信頼性に影響を与える突然の切断につながります。我々は,ブロック前シグネチャと呼ぶものを観測することで,将来のブロックを予測する機械学習アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 18.365889583730507
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Millimeter wave (mmWave) communication is a key component of 5G and beyond. Harvesting the gains of the large bandwidth and low latency at mmWave systems, however, is challenged by the sensitivity of mmWave signals to blockages; a sudden blockage in the line of sight (LOS) link leads to abrupt disconnection, which affects the reliability of the network. In addition, searching for an alternative base station to re-establish the link could result in needless latency overhead. In this paper, we address these challenges collectively by utilizing machine learning to anticipate dynamic blockages proactively. The proposed approach sees a machine learning algorithm learning to predict future blockages by observing what we refer to as the pre-blockage signature. To evaluate our proposed approach, we build a mmWave communication setup with a moving blockage and collect a dataset of received power sequences. Simulation results on a real dataset show that blockage occurrence could be predicted with more than 85% accuracy and the exact time instance of blockage occurrence can be obtained with low error. This highlights the potential of the proposed solution for dynamic blockage prediction and proactive hand-off, which enhances the reliability and latency of future wireless networks.
Abstract（参考訳）: ミリ波(mmWave)通信は5G以降の重要なコンポーネントである。しかし、mmWaveシステムにおける大きな帯域幅と低レイテンシの利得を損なうことは、mmWave信号の遮断に対する感度に問題があり、視線(LOS)リンクの突然の遮断は突然の切断につながり、ネットワークの信頼性に影響を及ぼす。さらに、リンクを再確立するための代替基地局を探すと、不要な遅延オーバーヘッドが発生する可能性がある。本稿では,機械学習を利用して動的ブロックを積極的に予測することにより,これらの課題に対処する。提案手法では,前ブロックシグネチャと呼ばれるものを観察し,将来の障害を予測する機械学習アルゴリズムが提案されている。提案手法を評価するため,移動ブロックを用いたmmWave通信装置を構築し,受信電力列のデータセットを収集する。実データセット上でのシミュレーション結果から,ブロックの発生を85%以上の精度で予測し,ブロック発生の正確な時刻を低い誤差で求めることができた。これは、将来の無線ネットワークの信頼性とレイテンシを高める動的ブロック予測と積極的なハンドオフのための提案ソリューションの可能性を強調している。

関連論文リスト

Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。ディープラーニングによる異常検出が重要な方向として現れている。エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文参考訳（メタデータ） (2024-11-06T15:38:31Z)
Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。提案手法の有効性を数値解析により検証した。
論文参考訳（メタデータ） (2024-11-04T17:48:02Z)
Enhancing Reliability in Federated mmWave Networks: A Practical and Scalable Solution using Radar-Aided Dynamic Blockage Recognition [14.18507067281377]
本稿では,ミリ波(mmWave)およびテラヘルツ(THz)ネットワークサービスの動的屋外環境における信頼性向上のための新しい手法を提案する。これらの設定では、人や車などの障害物を動かすことで、視線接続(LoS)が簡単に中断される。提案手法はRadar-Aided Blockage Dynamic Recognition (RaDaR)と呼ばれ、レーダー計測とフェデレートラーニング(FL)を活用して、二重出力ニューラルネットワーク(NN)モデルをトレーニングする。
論文参考訳（メタデータ） (2023-06-22T10:10:25Z)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
Computer Vision Aided Blockage Prediction in Real-World Millimeter Wave Deployments [11.842197872454848]
本稿では,インフラストラクチャノードに設置したカメラが捉えた視覚データを処理するコンピュータビジョンベースのソリューションを開発する。採用されている実世界のデータセットに基づいて、開発済みのソリューションは、将来発生する障害を予測する上で、$approx 90%の精度を実現している。
論文参考訳（メタデータ） (2022-03-03T18:38:10Z)
Intelligent Blockage Prediction and Proactive Handover for Seamless Connectivity in Vision-Aided 5G/6G UDNs [8.437758224218648]
超高密度ネットワーク(UDN)におけるモビリティ管理の課題本稿では,無線信号とオンロード監視システムを利用した新しいメカニズムを提案し,ブロックの可能性を事前に予測し,タイムリーなハンドオーバ(HO)を行う。その結果,我々のBLK検出とPHOアルゴリズムは,ユーザ接続性および要求品質(QoE)の40%向上を実現していることがわかった。
論文参考訳（メタデータ） (2022-02-21T16:21:49Z)
Vision-Aided 6G Wireless Communications: Blockage Prediction and Proactive Handoff [15.682727572668826]
遮断に対する感度は、高周波(5Gミリ波と6Gサブテラヘルツ)無線ネットワークにとって重要な課題です。信頼性とレイテンシの課題に取り組む有望な方法は、無線ネットワークのプロアクションを可能にすることだ。本稿では,bimodal machine learningを用いた視覚支援型無線通信ソリューションを提案する。
論文参考訳（メタデータ） (2021-02-18T18:12:20Z)
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は現代のインテリジェント交通システムの発展に重要な役割を担っています動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文参考訳（メタデータ） (2020-12-25T01:40:29Z)
Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
論文参考訳（メタデータ） (2020-07-03T16:31:15Z)
Vision-Aided Dynamic Blockage Prediction for 6G Wireless Communication Networks [11.626009272815816]
本稿では,テクトダイナミックリンクブロックを積極的に予測する新しい手法を提案する。観測されたRGB画像とビームフォーミングベクターのシーケンスから、将来のリンクブロックを予測する方法を学ぶ。リンクブロック予測精度は86%であり、視覚的データを使わずに一致しない。
論文参考訳（メタデータ） (2020-06-17T14:37:38Z)

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。