REM-U-net：基于深度学习的敏捷无线电环境地图预测及节能无蜂窝用例
网络与互联网体系结构
2023-09-22 v1 信号处理
摘要
无线电环境地图（REMs）在优化无线网络部署、提升网络性能以及保障有效频谱管理方面发挥着核心作用。传统的 REM 预测方法要么过于耗时（如射线追踪），要么不准确（如统计模型），限制了其在现代固有动态无线网络中的采用。基于深度学习的 REM 预测近来作为一种有吸引力、准确且省时的替代方案引起了相当关注。然而，现有基于深度学习的 REM 预测工作要么局限于 2D 地图，要么使用有限的数据集。本文中，我们引入了一种基于 u-net 的运行时高效 REM 预测框架，该框架在大规模 3D 地图数据集上训练。此外，研究了数据预处理步骤以进一步提升 REM 预测精度。所提出的 u-net 框架及预处理步骤在 2023 IEEE ICASSP 信号处理大挑战赛（即首届路径损耗无线电地图预测挑战赛）背景下进行了评估。评估结果表明，所提方法实现了 0.045 的平均归一化均方根误差（RMSE），平均运行时长为 14 毫秒（ms）。最后，我们将所取得的 REM 预测精度置于相关的无蜂窝大规模多输入多输出（CF-mMIMO）用例中。我们证明，可以免去大规模衰落测量上的能耗，转而依赖预测的 REM 来决定在采用最小传播损耗 AP 开关 ON/OFF 策略的 CF-mMIMO 网络中开启哪些休眠接入点（APs）。
引用
@article{arxiv.2309.11898,
title = {REM-U-net: Deep Learning Based Agile REM Prediction with Energy-Efficient Cell-Free Use Case},
author = {Hazem Sallouha and Shamik Sarkar and Enes Krijestorac and Danijela Cabric},
journal= {arXiv preprint arXiv:2309.11898},
year = {2023}
}
备注
Submitted to IEEE OJSP