基于深度学习的 5G 毫米波网络波束预测快速初始接入
信号处理
2020-06-24 v1 机器学习
网络与互联网体系结构
摘要
本文提出 DeepIA，一种相较于传统初始接入（IA）在 5G 毫米波（mmWave）网络中更快更准的深度学习解决方案。通过在 IA 过程中利用波束子集，DeepIA 消除了穷举波束搜索的需要，从而减少了 IA 中的波束扫描时间。训练一个深度神经网络（DNN）以学习用减少数量的波束收集的接收信号强度（RSSs）与接收机最优空间波束（在更大波束集合中）之间的复杂映射。在测试时，DeepIA 仅从少量波束测量 RSS，并运行 DNN 预测 IA 的最佳波束。我们表明，DeepIA 通过扫描更少波束减少了 IA 时间，并在视距（LoS）和非视距（NLoS）mmWave 信道条件下均显著优于传统 IA 的波束预测精度。
引用
@article{arxiv.2006.12653,
title = {Fast Initial Access with Deep Learning for Beam Prediction in 5G mmWave Networks},
author = {Tarun S. Cousik and Vijay K. Shah and Jeffrey H. Reed and Tugba Erpek and Yalin E. Sagduyu},
journal= {arXiv preprint arXiv:2006.12653},
year = {2020}
}