波束成形

高移动毫米波系统的深度学习协调波束成形 摘要：支持高移动性的毫米波（mmWave）系统，可实现广泛的重要应用，如车载通信和无线虚拟/增强现实。但是，在实践中意识到这一点需要克服一些挑战。首先， 窄波束的使用和mmWave信号对阻塞的敏感性 极大地影响了高移动链路的 覆盖范围和可靠性 。其次，密集mmWave部署中的高移动用户需要频繁地在基站（BS）之间进行 切换 ，这与关键控制和延迟开销相关。此外，在大型天线阵列mmWave系统中 识别最佳波束成形向量 需要相当大的训练开销，以上都显著影响了这些移动系统的效率。在本文中，开发了一种新颖的集成机器学习和协调波束成形的解决方案，以克服这些挑战并实现高移动性mmWave应用。在所提出的解决方案中，许多分布式协调BSs同时为一个移动用户服务。该用户理想地需要仅使用 全向或准全向波束模式 来发送将在协调BSs处联合接收的一个 上行链路训练导频序列 。这些接收的信号不仅为用户位置绘制了定义签名，而且还为其与周围环境的交互绘制了定义签名。然后，开发的解决方案利用深度学习模型来学习如何使用这些签名来预测BSs处的波束成形向量。这提供了一个全面的解决方案，支持具有可靠覆盖，低延迟并且可忽略的训练开销的高移动mmWave应用程序。基于精确射线追踪的广泛仿真结果表明