Fugu-MT 論文翻訳(概要): Beam Training in mmWave Vehicular Systems: Machine Learning for Decoupling Beam Selection

論文の概要: Beam Training in mmWave Vehicular Systems: Machine Learning for Decoupling Beam Selection

arxiv url: http://arxiv.org/abs/2404.10936v1
Date: Tue, 16 Apr 2024 22:27:23 GMT
ステータス: 処理完了
システム内更新日: 2024-04-18 17:42:39.977395
Title: Beam Training in mmWave Vehicular Systems: Machine Learning for Decoupling Beam Selection
Title（参考訳）: mm波車両システムにおけるビームトレーニング:ビーム選択のデカップリングのための機械学習
Authors: Ibrahim Kilinc, Ryan M. Dreifuerst, Junghoon Kim, Robert W. Heath Jr,
Abstract要約: 位置情報を機械学習(ML)ビームレコメンデーションと組み合わせることで、ビームペア選択のオーバーヘッドを低減する方法である。ユーザ機器(UE)と基地局(BS)のビーム選択を分離するためのMLに基づく位置支援手法を開発した。
参考スコア（独自算出の注目度）: 28.79913643775395
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Codebook-based beam selection is one approach for configuring millimeter wave communication links. The overhead required to reconfigure the transmit and receive beam pair, though, increases in highly dynamic vehicular communication systems. Location information coupled with machine learning (ML) beam recommendation is one way to reduce the overhead of beam pair selection. In this paper, we develop ML-based location-aided approaches to decouple the beam selection between the user equipment (UE) and the base station (BS). We quantify the performance gaps due to decoupling beam selection and also disaggregating the UE's location information from the BS. Our simulation results show that decoupling beam selection with available location information at the BS performs comparable to joint beam pair selection at the BS. Moreover, decoupled beam selection without location closely approaches the performance of beam pair selection at the BS when sufficient beam pairs are swept.
Abstract（参考訳）: コードブックベースのビーム選択はミリ波通信リンクを構成するための1つのアプローチである。しかし、送信と受信のペアを再構成するために必要なオーバーヘッドは、非常にダイナミックな車両通信システムにおいて増大する。位置情報を機械学習(ML)ビームレコメンデーションと組み合わせることで、ビームペア選択のオーバーヘッドを低減する方法である。本稿では,ユーザ機器(UE)と基地局(BS)のビーム選択を分離するためのMLに基づく位置支援手法を開発する。ビーム選択の切り離しによる性能ギャップを定量化するとともに,BSからUEの位置情報を分離する。シミュレーションの結果、BSにおけるビーム選択と利用可能な位置情報との疎結合は、BSにおける接合ビームペア選択と同等であることがわかった。さらに, 位置のない離間ビーム選択は, 十分なビーム対が通過した場合に, BSにおけるビーム対選択の性能に近づいた。

関連論文リスト

Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文参考訳（メタデータ） (2023-10-04T03:32:39Z)
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)
Fast Beam Alignment via Pure Exploration in Multi-armed Bandits [91.11360914335384]
我々は,ミリ波通信におけるBAレイテンシを低減するために,帯域幅に基づく高速BAアルゴリズムを開発した。我々のアルゴリズムは2相ヘテロセダスティックトラック・アンド・ストップ (2PHT&S) と呼ばれる。
論文参考訳（メタデータ） (2022-10-23T05:57:39Z)
Bayesian Optimization-Based Beam Alignment for MmWave MIMO Communication Systems [1.7467279441152421]
ビームアライメント(BA)はミリ波通信(mmWave)における重要な問題である機械学習戦略,ベイズ最適化(BO)に基づく新しいビームアライメント方式を提案する。本研究では,ビームアライメント問題をブラックボックス関数とみなし,BOを用いて最適ビーム対を求める。
論文参考訳（メタデータ） (2022-07-28T15:37:49Z)
BeamTransformer: Microphone Array-based Overlapping Speech Detection [52.11665331754917]
BeamTransformerは、異なる空間方向からの信号間の逐次関係のモデリングを最適化することを目指している。ビームトランスフォーマーは、異なるビームシーケンス間の関係を識別するために学習において超越する。 BeamTransformerはさらに一歩前進し、重なり合うスピーカーからの音声は、内部的に異なるビームに分離されている。
論文参考訳（メタデータ） (2021-09-09T06:10:48Z)
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)
Federated mmWave Beam Selection Utilizing LIDAR Data [3.7352534957395522]
We propose LIDAR aided beam selection for V2I mmWave communication system using federated training。提案手法では、コネクテッドカーが協調して、システム正常動作中に、ローカルで利用可能なLIDARデータに基づいて共有ニューラルネットワーク(NN)を訓練する。また,CNNアーキテクチャとLIDARプリプロセッシングの代替として,性能と複雑さの両面で,従来よりも大幅に優れていた,より複雑な畳み込みNN(CNN)アーキテクチャを提案する。
論文参考訳（メタデータ） (2021-02-04T18:49:20Z)
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)
Deep Reinforcement Learning based Blind mmWave MIMO Beam Alignment [11.17667928756077]
基地局が取得したユーザ機器のRF指紋に基づくブラインドビームアライメント手法を提案する。提案システムでは,複数の移動体ユーザが深層強化学習を用いて,複数の基地局セル環境上でブラインドビームアライメントを行う。提案手法は,オーバーヘッドを伴わずに従来の手法の最大4倍のデータレートが得られることを示す。
論文参考訳（メタデータ） (2020-01-25T01:47:06Z)

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。