面向 AI 驱动 6G 毫米波网络快速可靠初始接入的深度学习
网络与互联网体系结构
2021-01-07 v1 机器学习
信号处理
摘要
我们提出 DeepIA，一种用于实现 AI 驱动的超越 5G 及 6G 毫米波（mmWave）网络快速可靠初始接入的深度神经网络（DNN）框架。DeepIA 仅利用可用波束的一个子集，相比传统的基于穷举搜索的初始接入（IA）过程减少了波束扫描时间。DeepIA 将从波束子集获得的接收信号强度（RSS）映射到最朝向接收机的波束。在视距（LoS）和非视距（NLoS）条件下，DeepIA 均减少了 IA 时间，并优于传统 IA 的波束预测精度。我们表明，DeepIA 的波束预测精度随用于 IA 的波束数量饱和，并依赖于波束的特定选择。在 LoS 条件下，波束的选择至关重要，并将精度提高多达 70%。在 NLoS 情况下，其将精度提高多达 35%。我们发现，对多个 RSS 快照取平均进一步减少了所需波束数量，并在 LoS 和 NLoS 条件下均实现超过 95% 的精度。最后，我们通过嵌入式硬件实现评估了 DeepIA 的波束预测时间，并展示了相对于传统波束扫描的改进。
引用
@article{arxiv.2101.01847,
title = {Deep Learning for Fast and Reliable Initial Access in AI-Driven 6G mmWave Networks},
author = {Tarun S. Cousik and Vijay K. Shah and Tugba Erpek and Yalin E. Sagduyu and Jeffrey H. Reed},
journal= {arXiv preprint arXiv:2101.01847},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.12653