論文の概要: Deep Learning-based Compressive Beam Alignment in mmWave Vehicular Systems

• arxiv url: http://arxiv.org/abs/2103.00125v1
• Date: Sat, 27 Feb 2021 04:38:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:00:35.117764
• Title: Deep Learning-based Compressive Beam Alignment in mmWave Vehicular Systems
• Title（参考訳）: mm波車両システムにおける深層学習に基づく圧縮ビームアライメント
• Authors: Yuyang Wang, Nitin Jonathan Myers, Nuria Gonz\'alez-Prelcic, Robert W. Heath Jr
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 75.77033270838926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millimeter wave vehicular channels exhibit structure that can be exploited for beam alignment with fewer channel measurements compared to exhaustive beam search. With fixed layouts of roadside buildings and regular vehicular moving trajectory, the dominant path directions of channels will likely be among a subset of beam directions instead of distributing randomly over the whole beamspace. In this paper, we propose a deep learning-based technique to design a structured compressed sensing (CS) matrix that is well suited to the underlying channel distribution for mmWave vehicular beam alignment. The proposed approach leverages both sparsity and the particular spatial structure that appears in vehicular channels. We model the compressive channel acquisition by a two-dimensional (2D) convolutional layer followed by dropout. We design fully-connected layers to optimize channel acquisition and beam alignment. We incorporate the low-resolution phase shifter constraint during neural network training by using projected gradient descent for weight updates. Furthermore, we exploit channel spectral structure to optimize the power allocated for different subcarriers. Simulations indicate that our deep learning-based approach achieves better beam alignment than standard CS techniques which use random phase shift-based design. Numerical experiments also show that one single subcarrier is sufficient to provide necessary information for beam alignment.
• Abstract（参考訳）: ミリ波管路は、排気ビーム探索に比べて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。 道路沿いの建物の固定配置と通常の車両移動軌道により、チャネルの経路方向はビーム空間全体にランダムに分散するのではなく、ビーム方向のサブセットに含まれる可能性が高い。 本稿では,ミリ波車両用ビームアライメントの基礎となるチャネル分布によく適合する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に基づく手法を提案する。 提案手法は、車両のチャネルに現れる空間的構造と空間的構造の両方を活用する。 2次元の畳み込み層による圧縮チャネルの獲得をモデル化し,その後ドロップアウトを行った。 チャネル取得とビームアライメントを最適化するために,完全接続層を設計する。 ニューラルネットワークトレーニングにおける低分解能位相シフト器制約を重み更新に投射勾配勾配を用いた。 さらに、チャネルスペクトル構造を利用して、異なるサブキャリアに割り当てられる電力を最適化する。 シミュレーションにより,我々の深層学習に基づくアプローチは,ランダム位相シフトに基づく設計を用いた標準CS技術よりも優れたビームアライメントを実現することが示された。 数値実験により、1つのサブキャリアがビームアライメントに必要な情報を提供するのに十分なことが示されている。

関連論文リスト

• Hybrid Knowledge-Data Driven Channel Semantic Acquisition and Beamforming for Cell-Free Massive MIMO [6.010360758759109]
  本稿では、ユビキタス・拡張現実(XR)アプリケーションのサポートを改善するために、屋外無線システムの進歩に焦点を当てる。 セルレス大規模マルチインプットマルチアウトプット(MIMO)システムにおいて,チャネル意味獲得とマルチユーザビームフォーミングのためのハイブリッド知識データ駆動方式を提案する。
  論文  参考訳（メタデータ） (2023-07-06T15:35:55Z)
• 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)
• Optical-Flow-Reuse-Based Bidirectional Recurrent Network for Space-Time Video Super-Resolution [52.899234731501075]
  時空間ビデオ超解像(ST-VSR)は、与えられたビデオの空間解像度とフレームレートを同時に増加させる。 既存の手法は通常、近隣の幅広いフレームからの情報を効率的に活用する方法の難しさに悩まされる。 本稿では,隣接するフレーム間の知識を活用するために,ConvLSTMの代わりに粗大な双方向リカレント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） (2021-10-13T15:21:30Z)
• Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
  チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。 受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。 エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
  論文  参考訳（メタデータ） (2021-08-03T14:26:14Z)
• 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)
• Deep Learning-based Beam Tracking for Millimeter-wave Communications under Mobility [27.62606029014951]
  ミリ波(mm波)通信の深層学習に基づくビーム追跡手法を提案する。 深層ニューラルネットワークを用いて,慣性センサによって取得された時間変動チャネルと信号の時間構造とパターンを分析した。 提案手法は, 様々な移動シナリオにおいて, 従来のビーム追従法に比べて有意な性能向上を達成した。
  論文  参考訳（メタデータ） (2021-02-19T08:05:11Z)
• Deep Learning Assisted Calibrated Beam Training for Millimeter-Wave Communication Systems [15.297530726877786]
  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。
  論文  参考訳（メタデータ） (2021-01-08T04:02:34Z)
• Operation-Aware Soft Channel Pruning using Differentiable Masks [51.04085547997066]
  本稿では,データ駆動型アルゴリズムを提案する。このアルゴリズムは,操作特性を利用して,ディープニューラルネットワークを異なる方法で圧縮する。 我々は大規模な実験を行い、出力ネットワークの精度で優れた性能を達成する。
  論文  参考訳（メタデータ） (2020-07-08T07:44:00Z)
• A Deep Learning Framework for Hybrid Beamforming Without Instantaneous CSI Feedback [4.771833920251869]
  本稿では,ハイブリッドビームフォーミングとチャネル推定の両方を扱うためのディープラーニング(DL)フレームワークを提案する。 提案手法は,従来の最適化手法に比べて,少なくとも10倍の計算複雑性を示す。
  論文  参考訳（メタデータ） (2020-06-19T05:47:25Z)

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。