A Stacked Autoencoder and Multilayer Perceptrons for mmWave Beamforming Prediction
Notice bibliographique
Résumé
The millimeter-wave frequencies planned for 6G systems present challenges for channel modeling. At these frequencies, surface roughness affects wave propagation and causes severe attenuation of millimeter-wave (mmWave) signals. In general, beamforming techniques compensate for this problem. Analog beamforming has some major advantages over its counterpart, digital beamforming, because it uses low-cost phase shifters for massive MIMO systems compared to digital beamforming that provides more accurate and faster results in determining user signals. However, digital beamforming suffers from high complexity and expensive design, making it unsuitable for mmWave systems. The techniques proposed so far for analog beamforming are often challenging in practice. In this work, we have proposed a deep learning model for analog beams training that helps predict the optimal beam vector. Our model uses an available dataset of 18 base stations, over 1 million users, 60 GHz frequency. The training process first applies a stacked autoencoder to extract the features from the training datasets, and then uses a multilayer perceptron (MLP) to train and predict the optimal beams. Then, the results are evaluated by computing the mean squared error between the expected and predicted beams using the test set. The results show high efficiency compared to the benchmark method, which uses only the MLP for the training process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».