Un cadre d’apprentissage profond pour la sélection des faisceaux et le contrôle de la puissance en MIMO massif – Communications en ondes millimétriques

Un cadre d’apprentissage profond pour la sélection des faisceaux et le contrôle de la puissance en MIMO massif – Communications en ondes millimétriques

T. T. Nguyen et K. -K. Nguyen, “A Deep Learning Framework for Beam Selection and Power Control in Massive MIMO – Millimeter-Wave Communications,” in IEEE Transactions on Mobile Computing, vol. 22, no. 8, pp. 4374-4387, 1 Aug. 2023, doi : 10.1109/TMC.2022.3159697.

Abstract or Summary

Une politique de contrôle de la puissance et un alignement des faisceaux précis sont nécessaires entre la station de base (BS) et l’équipement utilisateur (UE) pour atteindre les performances prometteuses de l’entrée et de la sortie multiples massives (MIMO) dans les communications à ondes millimétriques (mmWave). Cependant, l’obtention des informations sur l’état du canal (CSI) des systèmes MIMO massifs à ondes millimétriques est difficile. Dans ce document, la technique de guidage du faisceau est utilisée pour estimer l’intensité du signal entre la station de base et l’utilisateur. Nous proposons un nouveau cadre d’apprentissage pour déterminer le faisceau approprié pour un utilisateur spécifique et la puissance d’émission pour minimiser le coût incluant la puissance d’émission et le taux de non-satisfaction lorsque le canal est inconnu. En outre, nous abordons le problème des données manquantes, puis nous utilisons la mémoire à long et court terme (LSTM) sur les entrées traitées temporellement pour sélectionner le faisceau approprié. En outre, nous concevons un agent d’apprentissage pour prédire la puissance d’émission appropriée à partir des BLU transmis, en tenant compte du taux de transmission requis. Nous validons ensuite le cadre d’apprentissage proposé sur l’ensemble de données Deep MIMO construit sur la base de canaux de ray-tracing précis. Les résultats numériques montrent que le cadre proposé est plus performant que les stratégies de prédiction les plus récentes et qu’il se rapproche des meilleures performances obtenues lorsque le CSI est disponible.

Implications of the Research

Visuals

Supplementary Materials

Acknowledgements

Citations and References

Other Publications

Retour au haut Drag