論文の概要: Blind Construction of Angular Power Maps in Massive MIMO Networks

• arxiv url: http://arxiv.org/abs/2510.07071v1
• Date: Wed, 08 Oct 2025 14:32:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.560173
• Title: Blind Construction of Angular Power Maps in Massive MIMO Networks
• Title（参考訳）: 大規模MIMOネットワークにおける角形パワーマップのブラインド構築
• Authors: Zheng Xing, Junting Chen,
• Abstract要約: 従来の無線地図構築には、位置ラベル付きCSIデータが必要である。 隠れマルコフモデル(HMM)は、モバイルの隠れ軌跡と、巨大な多重入力多重出力(MIMO)チャネルのCSI進化を接続するために構築される。 ポアソン分散基地局(BSs)による一様直線移動下では,局所化誤差に対するクラマー・ラオ下界(CRLB)が消滅しうることを示す。
• 参考スコア（独自算出の注目度）: 34.91945910235526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Channel state information (CSI) acquisition is a challenging problem in massive multiple-input multiple-output (MIMO) networks. Radio maps provide a promising solution for radio resource management by reducing online CSI acquisition. However, conventional approaches for radio map construction require location-labeled CSI data, which is challenging in practice. This paper investigates unsupervised angular power map construction based on large timescale CSI data collected in a massive MIMO network without location labels. A hidden Markov model (HMM) is built to connect the hidden trajectory of a mobile with the CSI evolution of a massive MIMO channel. As a result, the mobile location can be estimated, enabling the construction of an angular power map. We show that under uniform rectilinear mobility with Poisson-distributed base stations (BSs), the Cramer-Rao Lower Bound (CRLB) for localization error can vanish at any signal-to-noise ratios (SNRs), whereas when BSs are confined to a limited region, the error remains nonzero even with infinite independent measurements. Based on reference signal received power (RSRP) data collected in a real multi-cell massive MIMO network, an average localization error of 18 meters can be achieved although measurements are mainly obtained from a single serving cell.
• Abstract（参考訳）: チャネル状態情報(CSI)の取得は、MIMO(Multiple-input multiple-output)ネットワークにおいて難しい問題である。 無線地図は、オンラインCSI取得を減らすことで、無線リソース管理に有望なソリューションを提供する。 しかし,従来の無線地図構築手法では位置ラベル付きCSIデータが必要であるため,実際は困難である。 本稿では,位置ラベルのない大規模MIMOネットワークにおいて収集された大規模CSIデータに基づいて,教師なしの角状電力マップの構築について検討する。 隠れマルコフモデル(HMM)は、モバイルの隠れ軌跡と巨大なMIMOチャネルのCSI進化を結びつけるために構築される。 その結果、移動位置を推定でき、角状パワーマップの構築が可能となる。 ポアソン分散基地局(BSs)による一様直線移動下では,任意の信号-雑音比(SNRs)で局所誤差のクラマー・ラオ下界(CRLB)が消滅しうるのに対し,BSsが有限領域に限定されている場合,その誤差は無限独立測定でもゼロではないことを示す。 実マルチセルMIMOネットワークで収集された基準信号受信電力(RSRP)データに基づいて,主に単一サービスセルから得られるが,平均位置誤差は18mである。

関連論文リスト

• Data-Driven Reconstruction of Significant Wave Heights from Sparse Observations [3.356199201143573]
  マルチスケールU-NetとMLPを融合したハイブリッドディープラーニングフレームワークであるAUWaveを紹介する。 データリッチな構成において、AUWaveが代表的ベースラインを一貫して上回ることを示す。 アーキテクチャのマルチスケールおよびアテンションコンポーネントは、最小でも非自明な空間アンカーが利用できる場合、精度が向上する。
  論文  参考訳（メタデータ） (2025-09-21T14:12:28Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• 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)
• LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
  LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法 提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。 推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
  論文  参考訳（メタデータ） (2022-02-01T20:27:46Z)
• 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)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)

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。