Apr, 2024

毫米波车载系统中的波束训练：机器学习解耦波束选择

PDF
TL;DR使用基于代码本的波束选择和机器学习的位置辅助方法，解耦用户设备（UE）和基站（BS）之间的波束选择，通过可用位置信息降低波束选择开销。模拟结果表明，具有可用位置信息的解耦波束选择与基站的联合波束对选择性能相当，而无位置信息的解耦波束选择在足够的波束对扫描时，接近于基站的波束对选择性能。
发现论文，激发创造
  • 基于位置辅助的毫米波波束在线学习

    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

  • 高移动毫米波系统的深度学习协同波束成形

    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

  • 基于情境感知的毫米波波束预测：一种机器学习方法

    本文提供一种将机器学习工具和情境感知相结合的方法，在车辆环境中学习射总体信息（功率、最佳射总索引等），实验结果表明情境感知可以极大提高预测准确性和模型吞吐量，同时几乎不影响性能和性能损失。

    May, 2018

  • 毫米波分布式多输入多输出 (D-MIMO) 系统中的机器学习辅助波束管理

    通过研究使用射频信号的射束管理协议，利用人工智能和机器学习的方法，探索如何在分布式多输入多输出系统中通过少量的近似数据来可靠地预测最佳的射束 / 接入点组合。

    Dec, 2023

  • 毫米波车联网中基于位置的在线压缩波束码本学习

    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

  • 基于深度学习的车对车通信的位置感知 60 GHz 毫米波波束成型

    利用车辆位置信息的深度学习解决方案，可用于在毫米波（mmWave）60 GHz 启用的车辆对车辆（V2V）通信中实现基于波束的高效率链路配置，确保最佳的 V2V 视距链路。

    Feb, 2024

  • 利用激光雷达数据的联合 mmWave 波束选择

    本文提出一种基于联邦式激光雷达辅助的神经网络方法，通过 V2I 毫米波通信系统中的车联网协同训练以及 LIDAR 数据预处理，在降低系统复杂度的同时提高了系统性能。

    Feb, 2021

  • 使用实际毫米波数据的视觉 - 定位多模束预测

    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

  • 利用 5G MIMO 数据进行机器学习：应用于深度学习中的波束选择

    本文提出了一种方法将车辆交通模拟器和光线追踪模拟器结合起来，生成代表 5G 情境的信道实现，并描述了一个特定的数据集，用于研究基于毫米波的车辆对基础设施的波束选举技术，并利用这个方法生成的数据集进行分类，回归和强化学习问题的实验。

    Jun, 2021

  • 毫米波通信系统深度学习辅助校准波束训练

    本篇论文提出了一种基于宽波束训练的窄波束校准方法，通过深度学习预测最佳的窄波束方向，具有很高的波束成形增益和更小的波束训练开销。

    Jan, 2021