Fugu-MT 論文翻訳(概要): Dynamic User Grouping based on Location and Heading in 5G NR Systems

論文の概要: Dynamic User Grouping based on Location and Heading in 5G NR Systems

arxiv url: http://arxiv.org/abs/2410.19854v1
Date: Tue, 22 Oct 2024 14:10:23 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-29 12:20:29.009488
Title: Dynamic User Grouping based on Location and Heading in 5G NR Systems
Title（参考訳）: 5G NRシステムにおける位置と方向に基づく動的ユーザグループ化
Authors: Dino Pjanić, Korkut Emre Arslantürk, Xuesong Cai, Fredrik Tufvesson,
Abstract要約: 本研究では,5G NR の商用展開において,屋外位置と方向に基づく動的ユーザグループ化に Sounding Reference Signals チャネル指紋をどのように利用できるかを示す。
参考スコア（独自算出の注目度）: 5.521045545656755
License:
Abstract: User grouping based on geographic location in fifth generation (5G) New Radio (NR) systems has several applications that can significantly improve network performance, user experience, and service delivery. We demonstrate how Sounding Reference Signals channel fingerprints can be used for dynamic user grouping in a 5G NR commercial deployment based on outdoor positions and heading direction employing machine learning methods such as neural networks combined with clustering methods.
Abstract（参考訳）: 第5世代(5G)の新無線(NR)システムにおける地理的位置に基づくユーザグループ化は,ネットワーク性能,ユーザエクスペリエンス,サービス提供を著しく改善するアプリケーションをいくつか備えている。本研究では,5G NR の商用展開において,ニューラルネットワークなどの機械学習手法とクラスタリング手法を併用した5G NR の動的ユーザグループ化を実現するために,Sounding Reference Signals チャネル指紋をどのように利用できるかを示す。

関連論文リスト

Fast and Accurate Cooperative Radio Map Estimation Enabled by GAN [63.90647197249949]
6G時代には、無線リソースのリアルタイムモニタリングと管理が、多様な無線アプリケーションをサポートするように求められている。本稿では,GAN(Generative Adversarial Network)による協調的無線地図推定手法を提案する。
論文参考訳（メタデータ） (2024-02-05T05:01:28Z)
ML-Enabled Outdoor User Positioning in 5G NR Systems via Uplink SRS Channel Estimates [5.926203312586109]
ユーザの位置を推測するのに十分なデータを提供するために,SRS (Sounding Reference Signals) チャネル指紋を使用することが可能であることを示す。また,小型の完全連結型深層ニューラルネットワークが,SRSデータに非常に少ない場合であっても,屋外ユーザの位置決めを成功させることができることを示す。
論文参考訳（メタデータ） (2023-04-12T06:56:30Z)
Deep Reinforcement Learning for Combined Coverage and Resource Allocation in UAV-aided RAN-slicing [1.7214664783818676]
この研究は、UAV-BS(UAV-BS)がネットワークスライシング機能を備えたUAV支援5Gネットワークを提示する。ネットワークスライシング環境におけるUAV-BSに対するマルチエージェントおよびマルチエージェント深部強化学習の第一応用について紹介する。提示された戦略のパフォーマンスはテストされ、ベンチマークと比較され、さまざまなシナリオにおいて満足度の高いユーザの割合(少なくとも27%以上)が強調されている。
論文参考訳（メタデータ） (2022-11-15T06:50:00Z)
Reconfigurable Intelligent Surface-assisted Classification of Modulations using Deep Learning [0.0]
本稿では,人工知能を用いたRIS支援ディジタル分類手法を提案する。我々は、デジタル変調を分類するために畳み込みニューラルネットワークを訓練する。提案手法の精度は特に低レベルのSNRにおいて顕著である。
論文参考訳（メタデータ） (2022-09-17T18:45:03Z)
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)
5G Routing Interfered Environment [0.0]
本稿では,5Gルーティング干渉環境(5GRIE)の設計について述べる。この環境は、定式化された干渉モデルを用いて、パケットを周波数源と宛先ペアでルーティングするための異なるアルゴリズムを実行することができる。
論文参考訳（メタデータ） (2022-03-28T14:25:45Z)
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)
GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文参考訳（メタデータ） (2021-03-07T02:16:24Z)
Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文参考訳（メタデータ） (2021-02-03T09:30:45Z)
Multi-Agent Reinforcement Learning for Adaptive User Association in Dynamic mmWave Networks [17.295158818748188]
マルチエージェント強化学習に基づくユーザアソシエーションのためのスケーラブルで柔軟なアルゴリズムを提案する。ユーザーは、ローカルな観察のみに基づいて、ネットワークの総和率を最適化するために、自律的に行動を調整することを学習する独立したエージェントとして振る舞う。シミュレーションの結果,提案アルゴリズムは無線環境の変化に適応できることを示す。
論文参考訳（メタデータ） (2020-06-16T10:51:27Z)
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。