論文の概要: Semi-supervised t-SNE for Millimeter-wave Wireless Localization
- arxiv url: http://arxiv.org/abs/2111.13573v1
- Date: Fri, 26 Nov 2021 16:17:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 18:15:41.566914
- Title: Semi-supervised t-SNE for Millimeter-wave Wireless Localization
- Title(参考訳): ミリ波無線局用半教師付きt-SNE
- Authors: Junquan Deng, Wei Shi, Jian Hu, Xianlong Jiao
- Abstract要約: マルチアンテナチャネル状態情報(CSI)に基づく分散基地局(BS)を用いた将来のミリ波無線ネットワークにおける移動局地化問題について考察する。
そこで本研究では,高次元CSIサンプルを直接2次元地理地図に埋め込む半教師付き近傍埋め込み(St-SNE)アルゴリズムを提案する。
シミュレーション都市屋外ミリ波無線ネットワークにおけるSt-SNEの性能評価を行った。
- 参考スコア(独自算出の注目度): 4.4812474726371185
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We consider the mobile localization problem in future millimeter-wave
wireless networks with distributed Base Stations (BSs) based on multi-antenna
channel state information (CSI). For this problem, we propose a Semi-supervised
tdistributed Stochastic Neighbor Embedding (St-SNE) algorithm to directly embed
the high-dimensional CSI samples into the 2D geographical map. We evaluate the
performance of St-SNE in a simulated urban outdoor millimeter-wave radio access
network. Our results show that St-SNE achieves a mean localization error of 6.8
m with only 5% of labeled CSI samples in a 200*200 m^2 area with a ray-tracing
channel model. St-SNE does not require accurate synchronization among multiple
BSs, and is promising for future large-scale millimeter-wave localization.
- Abstract(参考訳): マルチアンテナチャネル状態情報(CSI)に基づく分散基地局(BS)を用いた将来のミリ波無線ネットワークにおける移動局地化問題について考察する。
本研究では,高次元csiサンプルを2次元地理地図に直接埋め込むための半教師付きtdistributed stochastic neighbor embedded (st-sne)アルゴリズムを提案する。
シミュレーション都市屋外ミリ波無線ネットワークにおけるSt-SNEの性能評価を行った。
以上の結果から,St-SNEは,200*200m^2領域のラベル付きCSI試料の5%に対して6.8mの平均局在誤差が得られた。
St-SNEは複数のBS間で正確な同期を必要としない。
関連論文リスト
- ΩSFormer: Dual-Modal Ω-like Super-Resolution Transformer Network for Cross-scale and High-accuracy Terraced Field Vectorization Extraction [14.821191612452418]
棚田は土壌・水質保全(SWC)の重要な工学的実践である
本研究は,知的TFVEのための新しい2モードOmega型超解像トランスネットワークを提案する最初のものである。
論文 参考訳(メタデータ) (2024-11-26T04:00:28Z) - Spatial Transformers for Radio Map Estimation [5.070926365672912]
ラジオマップ推定(RME)は、受信した信号強度などの測定値を計測されていない場所で予測する。
現在最も人気のある推定器は、測定位置を通常の格子に投影し、畳み込み型ディープニューラルネットワークで測定テンソルを完了している。
本論文の最初のコントリビューションは,ラジオマップ推定のための空間トランスフォーマー (Spatial TransfOrmer) と呼ばれる注意に基づく推定器を用いて,これらの制約に対処するものである(ストーム)。
ストームは1つのレイトレーシングと2つの実測データセットによる実験によって広範囲に検証されている。
論文 参考訳(メタデータ) (2024-11-02T11:04:45Z) - Multi-Base Station Cooperative Sensing with AI-Aided Tracking [10.400855135405251]
核融合センター(FC)を介して協調する複数の基地局(BS)からなる共同センシング・通信ネットワークについて検討する。
筆者らのフレームワークは,60cm未満の最適サブパターン割り当て(OSPA)を実現することで,優れたセンシング性能を提供できることを示す。
論文 参考訳(メタデータ) (2023-10-31T12:27:48Z) - RF-ULM: Ultrasound Localization Microscopy Learned from Radio-Frequency Wavefronts [7.652037892439504]
遅延とサムのビームフォーミングは、RF(Radio-Frequency)チャネルデータを不可逆的に減少させる。
RFウェーブフロントに埋め込まれたリッチなコンテキスト情報は、DNN(Deep Neural Networks)をローカライゼーションシナリオに挑戦する上で、非常に有望である。
本稿では,学習した特徴チャネルシャッフル,非最大抑圧,半グローバル畳み込みブロックを用いて,RFチャネルデータ中の散乱体を直接ローカライズすることを提案する。
論文 参考訳(メタデータ) (2023-10-02T18:41:23Z) - Ultra-low Power Deep Learning-based Monocular Relative Localization
Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。
超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。
実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文 参考訳(メタデータ) (2023-03-03T14:14:08Z) - 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) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳(メタデータ) (2021-11-23T22:25:10Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳(メタデータ) (2020-09-03T13:38:52Z) - Integrating LEO Satellite and UAV Relaying via Reinforcement Learning
for Non-Terrestrial Networks [51.05735925326235]
低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。
軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。
エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。
本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
論文 参考訳(メタデータ) (2020-05-26T05:39:27Z) - 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。