文献

J-GLOBAL ID：202102231711235092   整理番号：21A2571784

深層学習ベースのセルレベルおよびビームレベルモビリティ管理システム【JST・京大機械翻訳】

Deep Learning-Based Cell-Level and Beam-Level Mobility Management System

著者 (6件)： Klus Roman (Electrical Engineering Unit, Tampere University, 33014 Tampere, Finland) ,  Klus Lucie (Electrical Engineering Unit, Tampere University, 33014 Tampere, Finland) ,  Klus Lucie (Institute of New Imaging Technologies, Universitat Jaume I, 12071 Castellon, Spain) ,  Solomitckii Dmitrii (Electrical Engineering Unit, Tampere University, 33014 Tampere, Finland) ,  Talvitie Jukka (Electrical Engineering Unit, Tampere University, 33014 Tampere, Finland) ,  Valkama Mikko (Electrical Engineering Unit, Tampere University, 33014 Tampere, Finland)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 24  ページ： 7124  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 5Gニューラジオ(NR)におけるビーム成形可能基地局による展開は,最小努力と中断で確実に動作するために効率的な移動性管理システムを必要とする。本研究では,セルレベルとビームレベル移動度管理を最適化するための2つの人工ニューラルネットワークモデルを提案した。両モデルは畳み込み,高密度,層ブロックから成る。電流と過去の受信電力測定ならびに位置決め情報に基づいて,それらはそれぞれ最適供給セルと供給ビームを選択する。得られた結果は,提案したセルレベル移動度モデルが,不確実性(シャドウイング,干渉など)が受信信号強度測定に導入されるとき,ベンチマーク解と比較して,強い供給セルを維持でき,ハンドオーバ数を94.4%まで低減できることを示した。提案したビームレベル移動度管理モデルは,高い不確実性が測定に導入される場合でも,最強のサービスビームを積極的に選択し,維持することができる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 移動度 ,  最適化 ,  電流 ,  *管理システム ,  不確実性 ,  ニューラルネットワーク ,  位置決め ,  基地局 ,  ベンチマーク ,  ハンドオーバ
準シソーラス用語： 神経回路網モデル ,  シャドーイング ,  受信電力 ,  受信信号強度 ,  第5世代移動通信システム , 【Automatic Indexing@JST】

著者キーワード (6件)： 5G新無線 ,  人工ニューラルネットワーク ,  ビームレベル移動度 ,  ハンドオーバ ,  モビリティ管理 ,  教師つき学習

分類 (5件)： 動物学研究法  (EJ01020I) ,  その他の通信応用  (ND15000K) ,  有機化合物の赤外・Ramanスペクトル(分子)  (BH06033S) ,  計算機利用技術一般  (JE01000C) ,  レーザの応用  (BD04100V)

引用文献 (31件)：

• 3rd Generation Partnership Project (3GPP); Technical Specification Group Radio Access Network; NR. Physical Layer Measurements (Release 15); Technical Report 38.215; Version 15.7.0; 3GPP: Sophia Antipolis, France, 2020.
• Klus, R.; Klus, L.; Solomitckii, D.; Valkama, M.; Talvitie, J. Deep Learning Based Localization and HO Optimization in 5G NR Networks. In Proceedings of the 2020 International Conference on Localization and GNSS (ICL-GNSS), Tampere, Finland, 2-4 June 2020; pp. 1-6.
• Yao, M.; Sohul, M.; Marojevic, V.; Reed, J.H. Artificial intelligence defined 5G radio access networks. IEEE Commun. Mag. 2019, 57, 14-20.
• Jiang, C.; Zhang, H.; Ren, Y.; Han, Z.; Chen, K.C.; Hanzo, L. Machine learning paradigms for next-generation wireless networks. IEEE Wirel. Commun. 2016, 24, 98-105.
• Zhang, C.; Patras, P.; Haddadi, H. Deep learning in mobile and wireless networking: A survey. IEEE Commun. Surv. Tutorials 2019, 21, 2224-2287.

タイトルに関連する用語 (3件)： 深層学習 ,  セル ,  管理システム