Fugu-MT 論文翻訳(概要): Neural Beam Field for Spatial Beam RSRP Prediction

論文の概要: Neural Beam Field for Spatial Beam RSRP Prediction

arxiv url: http://arxiv.org/abs/2508.06956v1
Date: Sat, 09 Aug 2025 12:05:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-12 21:23:28.626979
Title: Neural Beam Field for Spatial Beam RSRP Prediction
Title（参考訳）: 空間ビームRSRP予測のためのニューラルビーム場
Authors: Keqiang Guo, Yuheng Zhong, Xin Tong, Jiangbin Lyu, Rui Zhang,
Abstract要約: 高密度無線ネットワークにおけるビーム管理には、正確なビームレベル基準信号受信電力(RSRP)の予測が不可欠である。本稿では,空間ビームRSRP予測の効率的かつ解釈可能なハイブリッドニューラルネットワーク物理フレームワークであるNeural Beam Field (NBF)を提案する。
参考スコア（独自算出の注目度）: 17.849572122101154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurately predicting beam-level reference signal received power (RSRP) is essential for beam management in dense multi-user wireless networks, yet challenging due to high measurement overhead and fast channel variations. This paper proposes Neural Beam Field (NBF), a hybrid neural-physical framework for efficient and interpretable spatial beam RSRP prediction. Central to our approach is the introduction of the Multi-path Conditional Power Profile (MCPP), which bridges site-specific multipath propagation with antenna/beam configurations via closed-form analytical modeling. We adopt a decoupled ``blackbox-whitebox" design: a Transformer-based deep neural network (DNN) learns the MCPP from sparse user measurements and positions, while a physics-inspired module analytically infers beam RSRP statistics. To improve convergence and adaptivity, we further introduce a Pretrain-and-Calibrate (PaC) strategy that leverages ray-tracing priors and on-site calibration using RSRP data. Extensive simulations results demonstrate that NBF significantly outperforms conventional table-based channel knowledge maps (CKMs) and pure blackbox DNNs in prediction accuracy, training efficiency, and generalization, while maintaining a compact model size. The proposed framework offers a scalable and physically grounded solution for intelligent beam management in next-generation dense wireless networks.
Abstract（参考訳）: 高密度マルチユーザ無線ネットワークにおいて、ビームレベルの基準信号受信電力(RSRP)の正確な予測は、ビーム管理に不可欠であるが、高い測定オーバーヘッドと高速チャネル変動のため困難である。本稿では,空間ビームRSRP予測の効率的かつ解釈可能なハイブリッドニューラルネットワーク物理フレームワークであるNeural Beam Field (NBF)を提案する。提案手法の中心となるのはMulti-path Conditional Power Profile (MCPP) の導入である。トランスフォーマーをベースとしたディープニューラルネットワーク(DNN)は、少ないユーザ計測と位置からMCPPを学習し、物理にインスパイアされたモジュールは、ビームRSRP統計を解析的に推測する。収束性と適応性を向上させるために, RSRPデータを用いたレイトレーシング前処理とオンサイトキャリブレーションを利用するPretrain-and-Calibrate(PaC)戦略を導入する。シミュレーションの結果,NBF は従来のテーブルベースチャネルナレッジマップ (CKM) や純ブラックボックス DNN よりも予測精度,トレーニング効率,一般化に優れ,コンパクトなモデルサイズを維持していることがわかった。提案するフレームワークは、次世代の高密度無線ネットワークにおけるインテリジェントビーム管理のためのスケーラブルで物理的に基盤化されたソリューションを提供する。

関連論文リスト

GeNeRT: A Physics-Informed Approach to Intelligent Wireless Channel Modeling via Generalizable Neural Ray Tracing [40.29573574383523]
一般化,精度,効率を向上した一般化可能なニューラルRTフレームワークであるGeNeRTを提案する。 Fresnelにインスパイアされたニューラルネットワーク設計を取り入れることで、マルチパスコンポーネント(MPC)予測の精度も向上する。屋外シナリオで行われた実験では、GeNeRTはシナリオ内の訓練されていない領域と完全に見えない環境にまたがってうまく一般化されていることが示されている。
論文参考訳（メタデータ） (2025-06-23T05:17:01Z)
Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
論文参考訳（メタデータ） (2025-05-12T01:36:06Z)
Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文参考訳（メタデータ） (2025-04-07T15:38:25Z)
Gabor-Enhanced Physics-Informed Neural Networks for Fast Simulations of Acoustic Wavefields [2.8948274245812327]
物理インフォームドニューラルネットワーク(PINN)は偏微分方程式の解法として注目されている。本稿ではGabor関数を組み込んだ簡易なPINNフレームワークを提案する。従来の PINN とガボルベース PINN と比較して, 精度, 収束性, 堅牢性を向上した。
論文参考訳（メタデータ） (2025-02-24T13:25:40Z)
Beam Prediction based on Large Language Models [51.45077318268427]
時系列予測タスクとしてミリ波(mmWave)ビーム予測問題を定式化する。我々は、歴史的観測をトレーニング可能なトークン化器を用いてテキストベースの表現に変換する。提案手法はLLMのパワーを利用して将来の最適ビームを予測する。
論文参考訳（メタデータ） (2024-08-16T12:40:01Z)
Near-field Beam training for Extremely Large-scale MIMO Based on Deep Learning [20.67122533341949]
深層学習に基づく近接場ビームトレーニング手法を提案する。我々は,歴史データからチャネル特性を効率的に学習するために,畳み込みニューラルネットワーク(CNN)を用いる。提案手法は,従来のビームトレーニング法と比較して,より安定したビームフォーミングゲインを実現し,性能を著しく向上させる。
論文参考訳（メタデータ） (2024-06-05T13:26:25Z)
Cross-receptive Focused Inference Network for Lightweight Image Super-Resolution [64.25751738088015]
トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
論文参考訳（メタデータ） (2022-07-06T16:32:29Z)
Neural Calibration for Scalable Beamforming in FDD Massive MIMO with Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文参考訳（メタデータ） (2021-08-03T14:26:14Z)
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)
Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-11-08T12:48:06Z)

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。