論文の概要: Autoencoder for Position-Assisted Beam Prediction in mmWave ISAC Systems
- arxiv url: http://arxiv.org/abs/2511.18594v1
- Date: Sun, 23 Nov 2025 19:27:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.916682
- Title: Autoencoder for Position-Assisted Beam Prediction in mmWave ISAC Systems
- Title（参考訳）: mmWave ISACシステムにおける位置アシストビーム予測のためのオートエンコーダ
- Authors: Ahmad A. Aziz El-Banna, Octavia A. Dobre,
- Abstract要約: 本稿では、位置アシストビーム予測問題に対処する軽量オートレコーダ(LAE)モデルを提案する。
提案するLEEは, 3層不完全なネットワークとして設計され, 次元削減機能を利用する。
シミュレーションの結果,提案モデルでは,83%の複雑さの低減を図り,ベースラインに類似したビーム予測精度が得られた。
- 参考スコア（独自算出の注目度）: 29.405055204768004
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrated sensing and communication and millimeter wave (mmWave) have emerged as pivotal technologies for 6G networks. However, the narrow nature of mmWave beams requires precise alignments that typically necessitate large training overhead. This overhead can be reduced by incorporating the position information with beam adjustments. This letter proposes a lightweight autorencoder (LAE) model that addresses the position-assisted beam prediction problem while significantly reducing computational complexity compared to the conventional baseline method, i.e., deep fully connected neural network. The proposed LAE is designed as a three-layer undercomplete network to exploit its dimensionality reduction capabilities and thereby mitigate the computational requirements of the trained model. Simulation results show that the proposed model achieves a similar beam prediction accuracy to the baseline with an 83% complexity reduction.
- Abstract（参考訳）: 6Gネットワークの重要な技術として、統合センシングと通信とミリ波(mmWave)が登場している。
しかし、mmWaveビームの狭い性質は、通常、大きなトレーニングオーバーヘッドを必要とする正確なアライメントを必要とする。
位置情報とビーム調整を組み込むことで、このオーバーヘッドを低減することができる。
本論文は,従来のベースライン手法であるディープ・完全連結ニューラルネットワークと比較して計算複雑性を著しく低減しつつ,位置アシストビーム予測問題に対処する軽量オートレコーダ(LAE)モデルを提案する。
提案するLEEは,3層不完全ネットワークとして設計され,その次元削減能力を利用して,学習モデルの計算要求を緩和する。
シミュレーションの結果,提案モデルでは,83%の複雑さの低減を図り,ベースラインに類似したビーム予測精度が得られた。
関連論文リスト
- Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。
生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。
数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
論文 参考訳（メタデータ） (2025-11-21T07:25:49Z) - Green Learning for STAR-RIS mmWave Systems with Implicit CSI [53.03358325565645]
再構成可能なインテリジェントサーフェス (STAR-RIS) 支援ミリ波放送システム (mmWave) を同時に送信し, 反射するグリーンラーニング (GL) ベースのプリコーディングフレームワークを提案する。
本研究は,将来の6Gネットワークにおける環境持続可能性を重視し,複数のユーザが同一情報を共有し,スペクトル効率を向上し,冗長伝送と電力消費を低減させるシナリオに,トランスミッションフレームワークを採用する。
論文 参考訳（メタデータ） (2025-09-08T15:56:06Z) - Neural Beam Field for Spatial Beam RSRP Prediction [11.903931127386349]
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。
論文 参考訳（メタデータ） (2025-08-09T12:05:51Z) - 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) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Millimeter Wave Localization with Imperfect Training Data using Shallow
Neural Networks [13.454939391912095]
我々は,mWaveデバイスを屋内でローカライズするための浅層ニューラルネットワークモデルを提案する。
このモデルは、文献で提案されているものよりもはるかに少ない重量を必要とする。
また,位置推定を幾何学ベースのmWaveローカライゼーションアルゴリズムから検索することで,トレーニングデータ収集の取り組みを緩和することを提案する。
論文 参考訳（メタデータ） (2021-12-09T16:03:30Z) - Patch Based Transformation for Minimum Variance Beamformer Image
Approximation Using Delay and Sum Pipeline [0.0]
本研究では,空間内の固定領域に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャによって変換するパッチレベルU-Netベースニューラルネットワークを提案する。
提案手法は、ネットワークのパラメータにおけるMVDR手法によって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
論文 参考訳（メタデータ） (2021-10-19T19:36:59Z) - 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) - Joint Deep Reinforcement Learning and Unfolding: Beam Selection and
Precoding for mmWave Multiuser MIMO with Lens Arrays [54.43962058166702]
離散レンズアレイを用いたミリ波マルチユーザマルチインプット多重出力(MU-MIMO)システムに注目が集まっている。
本研究では、DLA を用いた mmWave MU-MIMO システムのビームプリコーディング行列の共同設計について検討する。
論文 参考訳（メタデータ） (2021-01-05T03:55:04Z) - 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。