面向毫米波波束跟踪与训练的学与适应：双时间尺度变分框架
机器学习
2021-10-27 v3 信号处理
摘要
毫米波车载网络为实现窄波束通信而产生巨大的波束训练开销。本文提出一种学习与适应框架，其中通信波束的动态被学习并进而用于设计低开销的自适应波束跟踪与训练：在长时间尺度上，深度循环变分自编码器（DR-VAE）利用含噪波束训练反馈学习波束动态的概率模型并实现预测性波束跟踪；在短时间尺度上，自适应波束训练过程被表述为部分可观测（PO-）马尔可夫决策过程（MDP），并通过基于点的价值迭代（PBVI）利用波束训练反馈和由 DR-VAE 提供的最强波束对概率预测进行优化。反过来，波束训练反馈在该持续的学习与适应过程中通过随机梯度上升来精炼 DR-VAE。所提出的 DR-VAE 学习框架学习了准确的波束动态：它将真实值与所学波束动态模型之间的 Kullback-Leibler 散度相较 Baum-Welch 算法和忽略反馈误差的朴素学习方法降低了 95%。在含多径的视距（LOS）场景上的数值结果表明，所提出的双时间尺度方法产生了近最优的频谱效率，相较穷举扫描主导波束对策略和最优 POMDP 策略分别提升 130% 和 20%。最后，通过将 POMDP 简化为对误差鲁棒的 MDP，提出了一种低复杂度策略，并表明其在 infrequent 反馈误差情形下表现良好。
引用
@article{arxiv.2107.05466,
title = {Learning and Adaptation for Millimeter-Wave Beam Tracking and Training: a Dual Timescale Variational Framework},
author = {Muddassar Hussain and Nicolo Michelusi},
journal= {arXiv preprint arXiv:2107.05466},
year = {2021}
}
备注
accepted for publication in IEEE Journal on Selected Areas in Communications 2021