机器学习技术用于毫米波巨型MIMO的盲光线对齐

科学领域:

• 电气工程 电气工程
• 计算机科学 计算机科学
• 信号处理 信号处理

背景情况:

• 毫米波 (mmWave) 大规模的MIMO系统需要高效的光束对齐 (BA) 来实现可靠的通信.
• 传统的BA方法通常涉及高飞行员开销,限制了系统效率.
• 毫米波系统中的模拟架构为光束管理带来了独特的挑战.

研究的目的:

• 提出低复杂度的机器学习 (ML) 模型,用于单用户,上链,完全模拟的毫米波大规模MIMO系统中高效的光束对齐 (BA).
• 通过开发基于数据和基于模型的部分和盲光探测方法来降低飞行员的开销.
• 调查ML模型在使用接收信号能量 (RSEs) 预测未测波束时的有效性.

主要方法:

• 在用户设备 (UE) 和基站 (BS) 两处使用来自大型代码本的部分和盲目测试的束子集.
• 在采集的光束数据上训练ML模型,包括低级矩阵因子化 (MF),非负MF (NMF) 和浅层多层感知器 (MLP).
• 采用接收信号能量 (RSEs) 进行盲光对齐,消除了对通道状态信息 (CSI) 的需求.

主要成果:

• 通过对只有10%的总束进行ML模型训练,可以准确地预测未测波束.
• 拟议的基于ML的BA方法在各种传输功率系统中表现出有效性.
• 性能仍然强,即使代码书尺寸从128x128增加到1024x1024,无论是UE还是BS.

结论:

• 拟议的基于ML的光束对齐为毫米波大规模MIMO系统的飞行员空头提供了显著的降低.
• 低复杂度的ML模型可以有效地预测光束模式,在模拟架构中实现高效的通信.
• 这种方法为下一代无线网络中的光束管理提供了可扩展和准确的解决方案.