28GHzマンハッタン測定を用いた機械学習に基づく都市キャニオン経路損失予測【JST・京大機械翻訳】

Gupta Ankit; Du Jinfeng; Chizhik Dmitry; Valenzuela Reinaldo A.; Sellathurai Mathini

プレプリント

J-GLOBAL ID：202202200442019693 整理番号：22P0287719

28GHzマンハッタン測定を用いた機械学習に基づく都市キャニオン経路損失予測【JST・京大機械翻訳】

Machine Learning-based Urban Canyon Path Loss Prediction using 28 GHz Manhattan Measurements

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年02月10日プレプリントサーバーでの情報更新日： 2022年02月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ミリ波における大きな帯域幅は,5Gとそれ以上で重要であるが,しかし,高経路損失(PL)は,ネットワーク計画と最適化のために,非常に正確なPL予測を必要とする。都市キャニオンに見られる大きな変動を捉えるのに,斜面-インターセプトフィットを有する統計モデルは短いが,一方,サイト固有の特徴を特徴づけることができるレイトレーシングは,葉と街路のクラッタと関連する反射/回折線計算を記述する際に課題に直面している。機械学習(ML)は有望であるが,PL予測において3つの重要な課題に直面している。1)不十分な測定データ;2)新しい街路への外挿の欠如;3)圧倒的に複雑な特徴/モデル。著者らは,街路クラッタがLiDARポイントクラウドデータセットとメッシュグリッド建築データセットによる建物によってモデル化されるManhattanからの大規模な28GHz測定に基づくMLベースの都市キャニオンPL予測モデルを提案する。著者らは,ポイントクラウドからエキスパート知識駆動街路クラッタ特徴を抽出し,畳み込み-オートエンコーダを用いて3D構築情報を攻撃的に圧縮する。一般化可能性を改善するために,新しい街路ごとの訓練と試験手順を用いて,クラッタと建物特徴の両方を用いた提案モデルは,標準偏差が街路ごとの変動を示す3GPP LOSとスロープ-インターセプト予測に対して,それぞれ10.6±4.4dBと6.5±2.0dBと比較して4.8±1.1dBの予測誤差(RMSE)を達成した。4つの最も影響力のあるクラッタ特徴だけを用いて,5.5±1.1dBのRMSEを達成した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

移動通信 , 計算機網 , 無線通信一般

, , , ,

前のページに戻る