論文の概要: Early-Scheduled Handover Preparation in 5G NR Millimeter-Wave Systems

• arxiv url: http://arxiv.org/abs/2411.09720v1
• Date: Thu, 14 Nov 2024 10:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:37:02.579505
• Title: Early-Scheduled Handover Preparation in 5G NR Millimeter-Wave Systems
• Title（参考訳）: 5G NRミリ波系における初期スケジュールハンドオーバ準備
• Authors: Dino Pjanić, Alexandros Sopasakis, Andres Reial, Fredrik Tufvesson,
• Abstract要約: ハンドオーバ(英: handover, HO)は、細胞ネットワークにおける最も重要な機能の一つであり、提供された細胞と隣接する細胞のユーザチャネルの測定によって駆動される。 本稿では,HO法の堅牢性と効率を高めるために,早期スケジュールハンドオーバ作成方式を提案する。 我々は、HO準備のための新しい早期トリガーを特定し、HO実行に必要な時間を大幅に短縮する方法を実証する。
• 参考スコア（独自算出の注目度）: 45.243636618856534
• License:
• Abstract: The handover (HO) procedure is one of the most critical functions in a cellular network driven by measurements of the user channel of the serving and neighboring cells. The success rate of the entire HO procedure is significantly affected by the preparation stage. As massive Multiple-Input Multiple-Output (MIMO) systems with large antenna arrays allow resolving finer details of channel behavior, we investigate how machine learning can be applied to time series data of beam measurements in the Fifth Generation (5G) New Radio (NR) system to improve the HO procedure. This paper introduces the Early-Scheduled Handover Preparation scheme designed to enhance the robustness and efficiency of the HO procedure, particularly in scenarios involving high mobility and dense small cell deployments. Early-Scheduled Handover Preparation focuses on optimizing the timing of the HO preparation phase by leveraging machine learning techniques to predict the earliest possible trigger points for HO events. We identify a new early trigger for HO preparation and demonstrate how it can beneficially reduce the required time for HO execution reducing channel quality degradation. These insights enable a new HO preparation scheme that offers a novel, user-aware, and proactive HO decision making in MIMO scenarios incorporating mobility.
• Abstract（参考訳）: ハンドオーバ(英: handover, HO)は、細胞ネットワークにおける最も重要な機能の一つであり、提供された細胞と隣接する細胞のユーザチャネルの測定によって駆動される。 HOプロシージャ全体の成功率は、準備段階によって著しく影響を受ける。 大型アンテナアレイを用いたMIMO(Multiple-Input Multiple-Output)システムでは、チャネルの挙動を詳細に把握できるため、第5世代(5G)ニューラジオ(NR)システムにおけるビーム計測の時系列データに機械学習を適用してHO処理を改善する方法について検討する。 本稿では,HO手順の堅牢性と効率性,特に高移動性および高密度小セル配置を含むシナリオにおいて,早期スケジュールハンドオーバ作成方式を提案する。 早期スケジュールハンドオーバ準備は、マシンラーニング技術を活用してHOイベントの最も早いトリガポイントを予測することにより、HO準備フェーズのタイミングを最適化することに焦点を当てる。 HO処理の早期トリガを新たに同定し, HO実行に必要な時間を削減することにより, チャネル品質の劣化を低減できることを示す。 これらの知見は、モビリティを取り入れたMIMOシナリオにおいて、新規でユーザ対応のHO意思決定を提供する新しいHO準備スキームを可能にする。

関連論文リスト

• One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
  OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。 OneDPはロボット制御タスクの応答時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-10-28T17:54:31Z)
• Predicting the energetic proton flux with a machine learning regression algorithm [0.0]
  最大1時間前に陽子束を予測できる機械学習回帰アルゴリズムを提案する。 このアプローチは、深宇宙と地球近傍の両方の環境における放射線リスクの監視システムを改善するのに役立つかもしれない。
  論文  参考訳（メタデータ） (2024-06-18T15:54:50Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• A Novel Approach for Machine Learning-based Load Balancing in High-speed Train System using Nested Cross Validation [0.6138671548064356]
  近年,高速列車を含む様々な分野において,第5世代(5G)移動通信網が出現している。 クロスバリデーション方式を用いた機械学習(ML)による高速列車システムのシステム性能をモデル化する。
  論文  参考訳（メタデータ） (2023-10-02T09:24:10Z)
• LoViT: Long Video Transformer for Surgical Phase Recognition [59.06812739441785]
  短時間・長期の時間情報を融合する2段階のLong Video Transformer(LoViT)を提案する。 このアプローチは、Colec80とAutoLaparoデータセットの最先端メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-15T20:06:14Z)
• Pay Less But Get More: A Dual-Attention-based Channel Estimation Network for Massive MIMO Systems with Low-Density Pilots [41.213515826100696]
  低密度パイロットによる正確なチャネル推定を実現するために,デュアルアテンションに基づくチャネル推定ネットワーク(DACEN)を提案する。 実験結果から,提案手法は既存の手法よりも優れたチャネル推定性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-03-02T05:34:25Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• 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)
• Taking ROCKET on an Efficiency Mission: Multivariate Time Series Classification with LightWaveS [3.5786621294068373]
  正確な多変量時系列分類のためのフレームワークLightWaveSを提案する。 ROCKETの機能はわずか2.5%しか採用していないが、最近のディープラーニングモデルに匹敵する精度を実現している。 エッジデバイス上での推論において, ROCKETと比較して9倍から65倍のスピードアップを実現していることを示す。
  論文  参考訳（メタデータ） (2022-04-04T10:52:20Z)
• Deep Learning for Massive MIMO Channel State Acquisition and Feedback [7.111650988432555]
  大規模マルチインプット・マルチアウトプット(MIMO)システムは、5Gおよび次世代無線ネットワークにおける過度なスループット要求を実現する主要な手段である。 トレーニングプロセスによって取得される正確でタイムリーなチャネル状態情報(CSI)が必要である。 本稿では、CSI取得オーバーヘッドを減らし、複雑さを減らし、ニューラルネットワーク(NN)をトレーニングプロセスでどのように使用できるかを概説する。
  論文  参考訳（メタデータ） (2020-02-17T13:16:34Z)

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。