論文の概要: Blockage Prediction in Directional mmWave Links Using Liquid Time Constant Network

• arxiv url: http://arxiv.org/abs/2306.04997v1
• Date: Thu, 8 Jun 2023 07:35:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 15:43:53.664103
• Title: Blockage Prediction in Directional mmWave Links Using Liquid Time Constant Network
• Title（参考訳）: 液体時間定数ネットワークを用いた方向mm波リンクのブロック予測
• Authors: Martin H. Nielsen, Chia-Yi Yeh, Ming Shen, and Muriel M\'edard
• Abstract要約: 本稿では,受信信号パワーのみを入力として,ミリ波(mmWave)リンクの将来の遮断状況を予測するために,LTCネットワークを提案する。 提案手法を用いることで,シナリオ固有のデータを必要とすることなく,ブロックの発生とブロックの長さを確実に予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 5.7727862232422815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose to use a liquid time constant (LTC) network to predict the future blockage status of a millimeter wave (mmWave) link using only the received signal power as the input to the system. The LTC network is based on an ordinary differential equation (ODE) system inspired by biology and specialized for near-future prediction for time sequence observation as the input. Using an experimental dataset at 60 GHz, we show that our proposed use of LTC can reliably predict the occurrence of blockage and the length of the blockage without the need for scenario-specific data. The results show that the proposed LTC can predict with upwards of 97.85\% accuracy without prior knowledge of the outdoor scenario or retraining/tuning. These results highlight the promising gains of using LTC networks to predict time series-dependent signals, which can lead to more reliable and low-latency communication.
• Abstract（参考訳）: 本稿では,受信信号パワーのみを入力としてミリ波リンクの将来のブロック状態を予測するための液体時間定数(ltc)ネットワークを提案する。 LTCネットワークは生物学にインスパイアされた常微分方程式(ODE)システムに基づいており、入力として時系列観測の近未来予測に特化している。 60ghzの実験的データセットを用いて,提案手法では,シナリオに固有のデータを用いることなく,ブロック発生とブロック長を確実に予測できることを示す。 その結果,提案手法は,アウトドアシナリオの事前知識や再トレーニング/チューニングを必要とせず,97.85\%の精度で予測できることがわかった。 これらの結果は、LCCネットワークを用いて時系列に依存した信号を予測することにより、より信頼性が高く低レイテンシな通信につながる可能性があることを示す。

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)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• 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)
• SAL-CNN: Estimate the Remaining Useful Life of Bearings Using Time-frequency Information [0.0]
  現代の工業生産において、軸受の残りの有用寿命(RUL)の予測能力は、システムの安全性と安定性に直接影響を及ぼす。 本稿では, 短時間フーリエ変換(STFT)を前処理として, エンドツーエンドのRUL予測手法を提案する。 信号列の時間相関を考慮すると、CNNでは、畳み込みブロックアテンションモジュールを組み込んだ長短のメモリネットワークが設計されている。
  論文  参考訳（メタデータ） (2022-04-11T12:27:31Z)
• Time-Incremental Learning from Data Using Temporal Logics [3.167882687550935]
  本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。 与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。 本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
  論文  参考訳（メタデータ） (2021-12-28T21:32:00Z)
• Deep Learning for Moving Blockage Prediction using Real Millimeter Wave Measurements [18.365889583730507]
  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。
  論文  参考訳（メタデータ） (2021-01-18T05:34:37Z)
• 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)
• Interference Distribution Prediction for Link Adaptation in Ultra-Reliable Low-Latency Communications [71.0558149440701]
  リンク適応(LA)はURLLCを実現するボトルネックの一つと考えられている。 本稿では,ユーザの干渉信号と雑音比の予測に焦点をあて,LAを増強する。 干渉の時間相関を利用することがURLLCの重要な有効性であることを示す。
  論文  参考訳（メタデータ） (2020-07-01T07:59:35Z)

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。