利用循环神经网络加速毫米波独立 5G 新空口中的波束扫描
信号处理
2018-09-05 v1 机器学习
摘要
毫米波（mmWave）是支撑 5G 应用高数据速率需求的关键技术。在这些频率下，高方向性传输对于补偿高各向同性路径损耗至关重要。然而，这种对方向性波束赋形的依赖使得小区发现（小区搜索）具有挑战性，因为基站（gNB）和用户设备（UE）需在角度空间上联合搜索以定位潜在波束来发起通信。在小区发现阶段，通过角度覆盖区域执行顺序波束扫描以传输同步信号。扫描模式可以是线性旋转或利用额外信息的跳变模式。本文提出基于一种称为门控循环单元（GRU）的循环神经网络（RNNs），根据用户业务的动态分布预测波束扫描模式。用户空间分布由蜂窝网络呼叫详细记录（CDRs）中的数据推断。结果表明，利用 GRU 可基于 CDRs 数据准确预测用户空间分布及其近似位置（方向），进而用于计算小区搜索中角度域的扫描模式。
引用
@article{arxiv.1809.01096,
title = {Accelerating Beam Sweeping in mmWave Standalone 5G New Radios using Recurrent Neural Networks},
author = {Asim Mazin and Mohamed Elkourdi and Richard D. Gitlin},
journal= {arXiv preprint arXiv:1809.01096},
year = {2018}
}
备注
4 pages and 4 Figures. It was presented at VTC 2018-Fall