抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】