基于机器学习的设备无关毫米波波束选择
信号处理
2022-11-23 v1
摘要
大多数基于机器学习的用户波束选择研究都采用由模型提出合适用户波束的结构。然而，这种设计需要为每种用户设备波束码本定制特定模型，且针对某一码本设备学到的模型无法复用于具有不同码本的其他设备。此外，该设计还需为每种天线布置配置/码本提供训练与测试样本。本文提出一种设备无关波束选择框架，利用上下文信息通过通用模型与后处理单元来提出合适的用户波束。该通用神经网络预测潜在的到达角，后处理单元再根据具体设备的码本将这些方向映射为波束。所提波束选择框架对训练数据集中未出现过的天线配置/码本的用户设备同样表现良好。同时，该通用网络可选择使用混合了不同天线配置/码本样本的 dataset 进行训练，从而显著减轻有效模型训练的负担。
引用
@article{arxiv.2211.12125,
title = {Device-Agnostic Millimeter Wave Beam Selection using Machine Learning},
author = {Sajad Rezaie and João Morais and Ahmed Alkhateeb and Carles Navarro Manchón},
journal= {arXiv preprint arXiv:2211.12125},
year = {2022}
}
备注
30 pages, 19 figures. This article was submitted to IEEE Trans. Wirel. Commun. on Nov 14 2022