論文の概要: Autonomous Self-Trained Channel State Prediction Method for mmWave Vehicular Communications

• arxiv url: http://arxiv.org/abs/2410.02326v1
• Date: Thu, 3 Oct 2024 09:20:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 03:50:17.223946
• Title: Autonomous Self-Trained Channel State Prediction Method for mmWave Vehicular Communications
• Title（参考訳）: mm波車両通信における自律的自己学習チャネル状態予測法
• Authors: Abidemi Orimogunje, Vukan Ninkovic, Evariste Twahirwa, Gaspard Gashema, Dejan Vukobratovic,
• Abstract要約: 5G mmWaveの車載接続は、高いユーザモビリティのために大きな課題となる。 我々は,mmWave車両利用者を対象とした自律学習型CSI予測フレームワークを開発した。 本稿では,DeepMIMOデータセット生成環境を用いて提案フレームワークの実装と評価を行う。
• 参考スコア（独自算出の注目度）: 2.2136561577994853
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Establishing and maintaining 5G mmWave vehicular connectivity poses a significant challenge due to high user mobility that necessitates frequent triggering of beam switching procedures. Departing from reactive beam switching based on the user device channel state feedback, proactive beam switching prepares in advance for upcoming beam switching decisions by exploiting accurate channel state information (CSI) prediction. In this paper, we develop a framework for autonomous self-trained CSI prediction for mmWave vehicular users where a base station (gNB) collects and labels a dataset that it uses for training recurrent neural network (RNN)-based CSI prediction model. The proposed framework exploits the CSI feedback from vehicular users combined with overhearing the C-V2X cooperative awareness messages (CAMs) they broadcast. We implement and evaluate the proposed framework using deepMIMO dataset generation environment and demonstrate its capability to provide accurate CSI prediction for 5G mmWave vehicular users. CSI prediction model is trained and its capability to provide accurate CSI predictions from various input features are investigated.
• Abstract（参考訳）: 5Gmm波の車体接続の確立と維持は、ビームスイッチング手順の頻繁なトリガを必要とする高いユーザモビリティのため、大きな課題となる。 ユーザ装置のチャネル状態フィードバックに基づいて反応性ビーム切替を分離し、正確なチャネル状態情報(CSI)予測を利用して、今後のビーム切替決定に備える。 本稿では,ベースステーション(gNB)がリカレントニューラルネットワーク(RNN)に基づくCSI予測モデルのトレーニングに使用するデータセットを収集・ラベル付けする,mmWave vehicularユーザを対象とした自律型CSI予測フレームワークを開発する。 提案フレームワークは,C-V2X協調認識メッセージ(CAM)の過度聴取と相まって,車載ユーザのCSIフィードバックを利用する。 我々は,DeepMIMOデータセット生成環境を用いて提案したフレームワークの実装と評価を行い,その性能を5G mmWaveの車載ユーザに対して正確にCSI予測できることを実証した。 CSI予測モデルを訓練し、様々な入力特徴から正確なCSI予測を提供する能力について検討した。

関連論文リスト

• Beyond Detection: Leveraging Large Language Models for Cyber Attack Prediction in IoT Networks [4.836070911511429]
  本稿では,Long Short Term Memory(LSTM)ネットワークとLarge Language Models(LLM)を組み合わせた新しいネットワーク侵入予測フレームワークを提案する。 我々のフレームワークは、CICIoT2023 IoT攻撃データセットに基づいて評価され、予測能力の大幅な改善を示し、全体的な精度は98%である。
  論文  参考訳（メタデータ） (2024-08-26T06:57:22Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• Dig-CSI: A Distributed and Generative Model Assisted CSI Feedback Training Framework [6.216538343278333]
  我々はDig-CSIと呼ばれるCSIフィードバックトレーニングフレームワークを設計する。 CSIフィードバックモデルをトレーニングするためのデータセットは、各ユーザ機器(UE)がアップロードした分散ジェネレータによって生成されるが、ローカルデータのアップロードは行わない。 実験の結果、Dig-CSIは古典的な集中学習で訓練されたモデルに匹敵する性能でグローバルなCSIフィードバックモデルを訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-12-10T15:55:57Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Overview of Deep Learning-based CSI Feedback in Massive MIMO Systems [77.0986534024972]
  ディープラーニング(DL)ベースのCSIフィードバックは、DLベースのオートエンコーダによるCSI圧縮と再構築を指し、フィードバックオーバーヘッドを大幅に削減することができる。 その焦点は、CSIフィードバックの正確性を改善するために、新しいニューラルネットワークアーキテクチャとコミュニケーション専門家の知識の利用である。
  論文  参考訳（メタデータ） (2022-06-29T03:28:57Z)
• A CNN Approach for 5G mmWave Positioning Using Beamformed CSI Measurements [0.5685944521394608]
  我々は,5Gニューラジオ(NR)指紋を用いた畳み込みニューラルネットワーク(CNN)を訓練することで,AIの力を利用する。 都市部からレイトレーシング方式の5G NR CSIを収集し,CNNを訓練するための基準地点で,BS(基地局)からの信号のCSIデータを収集する。 その結果, 特定都市環境を対象としたトレーニングネットワークでは, 平均誤差0.98mでUE位置を推定できることがわかった。
  論文  参考訳（メタデータ） (2022-04-30T14:33:04Z)
• Machine Learning for CSI Recreation Based on Prior Knowledge [19.0581196881206]
  我々は、訓練されていないニューラルネットワーク(UNN)と条件付き生成逆ネットワーク(cGAN)を組み合わせることを提案する。 UNNは、cGANへの入力を構築するために使用されるいくつかの場所の事前CSIを学ぶ。 事前CSI、その位置、所望のチャネルの位置に基づいて、cGANは、所望の場所で期待されるチャネルを出力するように訓練される。 提案手法は, 無線通信路のモデル化に成功し, 視線条件下での位置量子化誤差に頑健であることを示す。
  論文  参考訳（メタデータ） (2021-11-15T15:49:08Z)
• Decoder Fusion RNN: Context and Interaction Aware Decoders for Trajectory Prediction [53.473846742702854]
  本稿では,動き予測のための反復的,注意に基づくアプローチを提案する。 Decoder Fusion RNN (DF-RNN) は、リカレント動作エンコーダ、エージェント間マルチヘッドアテンションモジュール、コンテキスト認識デコーダで構成される。 提案手法の有効性をArgoverseモーション予測データセットで検証し,その性能を公開ベンチマークで示す。
  論文  参考訳（メタデータ） (2021-08-12T15:53:37Z)
• Split Learning Meets Koopman Theory for Wireless Remote Monitoring and Prediction [76.88643211266168]
  本稿では,エンコーダとデコーダを分離して状態センサに格納するオートエンコーダとそのリモートオブザーバを訓練する。 このオートエンコーダは、状態表現寸法を減らすことでリモート監視ペイロードのサイズを小さくするだけでなく、Koopman演算子を介してシステムダイナミクスを学ぶ。 非線形なカートポール環境下での数値実験の結果,提案するkoopmanオートエンコーダの分割学習により,将来の状態を局所的に予測でき,予測精度は表現次元と伝送パワーで向上する。
  論文  参考訳（メタデータ） (2021-04-16T13:34:01Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)
• Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource Allocation [36.364156900974535]
  高速移動車載ネットワークにおける深層学習支援CSI推定手法を提案する。 我々は、車両用ユーザ機器の動的スライシングに基づくリソース割り当て問題を定式化し、解決する。
  論文  参考訳（メタデータ） (2020-03-12T10:00:08Z)

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。