論文の概要: Model-based Deep Learning for Beam Prediction based on a Channel Chart

• arxiv url: http://arxiv.org/abs/2312.02239v1
• Date: Mon, 4 Dec 2023 09:31:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 17:59:22.618294
• Title: Model-based Deep Learning for Beam Prediction based on a Channel Chart
• Title（参考訳）: チャネルチャートに基づくビーム予測のためのモデルベースディープラーニング
• Authors: Taha Yassine (IETR, INSA Rennes), Baptiste Chatelier (IETR, MERCE-France, INSA Rennes), Vincent Corlay (MERCE-France), Matthieu Crussi\`ere (IETR, INSA Rennes), Stephane Paquelet, Olav Tirkkonen, Luc Le Magoarou (INSA Rennes, IETR)
• Abstract要約: チャネルチャートは、教師なしの方法で無線環境のマップを構築する。 得られたチャート位置は、チャネル状態情報の低次元圧縮版と見なすことができる。 非スタンドアローンまたはセルフリーシステムでは、与えられた基地局で計算されたチャート位置を他の基地局に送信し、どのビームを使用するかを予測する。
• 参考スコア（独自算出の注目度）: 3.877743904942729
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel charting builds a map of the radio environment in an unsupervised way. The obtained chart locations can be seen as low-dimensional compressed versions of channel state information that can be used for a wide variety of applications, including beam prediction. In non-standalone or cell-free systems, chart locations computed at a given base station can be transmitted to several other base stations (possibly operating at different frequency bands) for them to predict which beams to use. This potentially yields a dramatic reduction of the overhead due to channel estimation or beam management, since only the base station performing charting requires channel state information, the others directly predicting the beam from the chart location. In this paper, advanced model-based neural network architectures are proposed for both channel charting and beam prediction. The proposed methods are assessed on realistic synthetic channels, yielding promising results.
• Abstract（参考訳）: チャネルチャートは、教師なしの方法で無線環境の地図を構築する。 得られたチャート位置は、ビーム予測を含む様々な用途に使用できるチャネル状態情報の低次元圧縮版として見ることができる。 非独立系やセルフリー系では、特定の基地局で計算されたチャートの位置を他の複数の基地局(多分異なる周波数帯域で動作している)に送信し、どのビームを使用するかを予測することができる。 これは、チャート作成を行う基地局だけがチャネル状態情報を必要とし、他の局がチャート位置からビームを直接予測するため、チャネル推定やビーム管理によるオーバーヘッドの劇的な削減につながる可能性がある。 本稿では,チャネルチャートとビーム予測の両方に対して,高度なモデルベースニューラルネットワークアーキテクチャを提案する。 提案手法は現実的な合成チャネルを用いて評価し,有望な結果を得た。

関連論文リスト

• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Velocity-Based Channel Charting with Spatial Distribution Map Matching [4.913210912019975]
  指紋による位置決めによる位置決め性能の向上は,NLoS(N-line-of-sight)が室内環境を支配下に置く上での課題である。 チャネルチャーティングは、記録された無線信号と相対座標を暗黙的に関連付けるため、このラベル付けの労力を避ける。 モデルの最新状態を維持するために参照位置を必要としない新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-14T09:21:09Z)
• Channel charting based beamforming [0.0]
  チャネルチャート(英: Channel charting, CC)は、参照なしで相互に相対的なユーザを見つけるための教師なし学習手法である。 本稿では、この潜時モデリングビジョンと、最近提案された位置ベースビームフォーミング(LBB)手法を用いて、チャネルチャートを空間や周波数のチャネルのマッピングに利用できることを示す。
  論文  参考訳（メタデータ） (2022-12-06T17:40:15Z)
• Wireless Channel Prediction in Partially Observed Environments [10.803318254625687]
  サイト固有の無線周波数(RF)伝搬予測は、カメラやLIDARセンサーなどの視覚データから構築されたモデルにますます依存している。 本稿では,周辺環境の部分的な観測から,統計的チャネルモデルを抽出する手法を提案する。 提案手法は, 部分的な情報が得られない場合に完全に統計モデルと, 環境が完全に観察された場合に完全に決定論的モデルとを補間できることを示す。
  論文  参考訳（メタデータ） (2022-07-03T01:46:57Z)
• Deep learning for location based beamforming with NLOS channels [0.0]
  ユーザの位置情報のみの知識から適切なプリコーダを決定する方法を提案する。 提案手法は,位置からプリコーダへの直接マッピングを教師付き方式で学習する。 従来提案されていた手法とは対照的に、LOS(line-of-sight)チャネルとNLOS(non-line-of-ight)チャネルの両方を扱える。
  論文  参考訳（メタデータ） (2021-12-29T07:12:12Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)
• 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)
• Model-Driven Deep Learning Based Channel Estimation and Feedback for Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
  本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。 無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。 MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-22T13:34:53Z)
• 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)
• Similarity-based prediction for channel mapping and user positioning [0.0]
  無線ネットワークでは、アップリンクチャネル測定のみに基づくモバイルユーザーの情報収集が興味深い課題である。 本稿では,これらのタスクを統一的に処理する教師あり機械学習手法を提案する。 これは、ベースステーションが操作中に簡単に取得できるラベル付きデータベースに依存している。
  論文  参考訳（メタデータ） (2020-12-02T11:30:51Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。