注意力增强的学习方法在毫米波通信中实现感知辅助的长期束道跟踪

毫米波通信中的束形训练和预测由于信道快速时变、易受阻塞和移动性影响，面临着巨大的挑战。本文中，基础设施安装的摄像机可以捕获丰富的环境信息，用于辅助束道跟踪设计。我们发展了一种基于卷积神经网络和门控循环单元的注意力增强机器学习模型，用于从过去观察到的图像中预测当前和未来束道。集成的时序注意力机制显著提高了其预测性能。数值结果表明，所提出的设计在当前以及六个未来时间槽中实现了超过90%的Top-5束道预测准确率，显著减少了由于束道训练产生的感知和处理开销。进一步地，它达到了97%的时代技术性能，仅需3%的计算复杂度。