本文介绍了基于循环神经网络 (RNN) 的自适应方法,用于跟踪和预测给定用户终端的离角 (AoD),提出了改进的帧结构来减少波束对准开销,从而达到更高的通信速率。
Aug, 2021
本文提出了一种双时间尺度模型来表征通道变化,并基于卡尔曼滤波器和突变检测方法对其进行跟踪,对比了自适应算法,结果表明所提出算法在单收发射机中具有更好的跟踪性能,并且使用更少的导频信号和信噪比,同时突变检测方法也具有较高的准确度。
Dec, 2015
提出了一种一维行动模型,其中移动用户(MU)通过毫米波与路边的基站(BS)通信。基站通过扩大传输束来补偿位置不确定性,当达到关键光束宽度时,它执行光束扫描来细化 MU 位置估计,然后进行窄束通信,并计算出平均速率和平均传输功率,提出了一种最大化平均速率的最优设计的优化光束宽度,扫描光束数量和传输功率分配。与 IEEE 802.11ad 标准的自适应相比,该方案表现出高达 90% 的频谱效率降级。
Jan, 2018
本文提出了一种基于角度信息和在线学习算法的压缩感知编码本学习框架,有效地获得通道测量值并提供快速波束对准的解决方案。
May, 2020
本文提出一种整合了机器学习和协调波束成形技术的解决方案,以克服毫米波系统中窄波束的使用以及高度移动用户在基站之间切换等挑战,并支持高度移动的毫米波应用,同时实现可靠的覆盖、低延迟和可忽略的训练开销。
Apr, 2018
本文介绍了针对毫米波移动通信网络中波束方向和移动性管理的测量技术,并为 3GPP NR 蜂窝网络设计了准确、灵敏和稳健的控制方案。
本研究提出了一种利用室外毫米波通信实现基站间回程网络和单个基站内移动接入的方案,同时,这篇论文通过研究大型阵列的波束成形来克服毫米波传输中的室外障碍,并提出了一种高效的波束对准技术来适应柱式摇晃和其他环境影响。
Jun, 2013
本文通过多臂老虎机框架,提出了一种在线学习算法,用于选择和优化天线成对的方向,以最大化功率角谱在该位置上的峰值,并在较短的时间步数内实现与无遗漏搜索相当的性能。
Sep, 2018
提出了一种基于多模态机器学习的方法,利用无线通信环境中收集到的位置和视觉数据快速预测光束方向,实现了超过 75% 的准确度和近乎 100% 的前 3 名光束预测准确度。
Nov, 2021
该论文研究了大型天线阵列下的毫米波通信技术。通过自适应序列优化天线束成形向量,以改善信号衰减和干扰问题,提出了一种新的自适应序列对齐算法,其搜索时间与性能无噪声双分搜索相匹配。与之前的解决方案相比,该算法在低信噪比(-10dB 至 5dB)的情况下得到了明显的通信速度提升,完成了独立的毫米波通信的首次演示。
Dec, 2018