面向5G及更高频段网络的基于位置信息的波束预测跨环境迁移学习
信号处理
2025-03-19 v1 系统与控制
系统与控制
摘要
毫米波 (mm-wave) 通信需要波束成形以及随之而来的精确波束对准 between gNodeB (gNB) 和用户设备 (UE) 以克服高衰落。这种波束对准需要根据不同 UE 位置更新 beam sweeping 射频测量，导致显著的束管理开销。一个潜在解决方案是利用机器学习 (ML) 波束预测算法，借助 UE 位置信息在无需束扫描的情况下选择服务波束。然而，mm-wave 传播的高度场所相关性意味着 ML 模型需要为每个场景从头训练，这在实际中效率低下。本文提出了一种面向位置辅助波束预测的跨环境迁移学习解决方案，即通过微调有限数据集将在参考 gNB 上训练的 ML 模型迁移到目标 gNB。基于我们在两个城市环境中的射线追踪进行的大量仿真结果表明了该解决方案的有效性，适用于 inter- 和 intra-city 模型迁移。我们的結果表明，通过在参考 gNB 上训练模型并仅使用目标 gNB 数据集的 5%进行微调，即可以 80%的准确率预测目标 gNB 的最佳波束。重要的是，我们的方法在无需微调的情况下将模型迁移到新环境的泛化准确率提高了约 75 个百分点。这表明迁移学习可以在降低 ML 基于波束预测的计算和训练数据收集负担的同时实现高预测准确率，使其适用于5G及更高频段部署。
引用
@article{arxiv.2503.14287,
title = {Cross-Environment Transfer Learning for Location-Aided Beam Prediction in 5G and Beyond Millimeter-Wave Networks},
author = {Enrico Tosi and Panwei Hu and Aleksandar Ichkov and Marina Petrova and Ljiljana Simić},
journal= {arXiv preprint arXiv:2503.14287},
year = {2025}
}