Моделювання каналів міліметрових хвиль за допомогою генеративних змагальних мереж

Автор(и)

DOI:

https://doi.org/10.20535/S0021347024010035

Анотація

Сучасні системи стільникового зв’язку дедалі більше покладаються на одночасний зв’язок у кількох переривчастих діапазонах внаслідок ширшої смуги пропускання та розмаїття макро рішень. У діапазонах міліметрових хвиль (mmWave) і терагерцових частот (ТГц), які часто поєднуються в пари з більш низькими частотами для підвищення стійкості, багаточастотний зв’язок має вирішальне значення. Для оцінки цих систем необхідні статистичні моделі, здатні представляти комбінований розподіл маршрутів каналів на багатьох частотах. У цьому дослідженні представлено загальний підхід до навчання на основі нейронних мереж для багаточастотних двонаправлених статистичних моделей каналів. Запропонований метод передбачає представлення кожного каналу як мультикластерної сукупності і навчання генеративної змагальної мережі GAN (generative adversarial network) для формування випадкових мультикластерних профілів. Отримані кластерні дані складаються з векторів, розподілених по різних частотах, які мають випадкові значення потужності, кута і затримки прийому. Для демонстрації методології промодельовано міські мікростільникові з’єднання на частотах 28 і 140 ГГц з використанням даних трасування променів. Модель легко адаптується для моделювання багаточастотних ліній зв’язку або моделювання мережевого рівня. Як показали дослідження, модель може відображати статистичні кореляції між частотами, а методика передбачає мінімальні статистичні припущення.

Посилання

W. Xia et al., “Millimeter wave channel modeling via generative neural networks,” in 2020 IEEE Globecom Workshops (GC Wkshps, 2020, pp. 1–6, doi: https://doi.org/10.1109/GCWkshps50303.2020.9367420.

V. Degli-Esposti, F. Fuschini, E. M. Vitucci, G. Falciasecca, “Measurement and modelling of scattering from buildings,” IEEE Trans. Antennas Propag., vol. 55, no. 1, pp. 143–153, 2007, doi: https://doi.org/10.1109/TAP.2006.888422.

Я. А. Закария, Э. К. И. Хамад, А. С. Абд Эльхамид, К. М. Эль-Хатиб, “Измерение и расчет коэффициента потерь распространения для наружных систем сотовой связи диапазона 3,5 ГГц,” Известия вузов. Радиоэлектроника, vol. 64, no. 5, pp. 286–294, 2021, doi: https://doi.org/10.20535/S0021347021050034.

Y. Xing, T. S. Rappaport, “Millimeter wave and terahertz urban microcell propagation measurements and models,” IEEE Commun. Lett., vol. 25, no. 12, pp. 3755–3759, 2021, doi: https://doi.org/10.1109/LCOMM.2021.3117900.

J. Huang, C.-X. Wang, H. Chang, J. Sun, X. Gao, “Multi-frequency multi-scenario millimeter wave MIMO channel measurements and modeling for B5G wireless communication systems,” IEEE J. Sel. Areas Commun., vol. 38, no. 9, pp. 2010–2025, 2020, doi: https://doi.org/10.1109/JSAC.2020.3000839.

Y. Zakaria, L. Ivanek, “Propagation measurements and estimation of channel propagation models in urban environment,” KSII Trans. Internet Inf. Syst., vol. 11, no. 5, pp. 2453–2467, 2017, doi: https://doi.org/10.3837/tiis.2017.05.008.

W. Khawaja, O. Ozdemir, I. Guvenc, “UAV air-to-ground channel characterization for mmWave systems,” in 2017 IEEE 86th Vehicular Technology Conference (VTC-Fall), 2017, pp. 1–5, doi: https://doi.org/10.1109/VTCFall.2017.8288376.

O. Falade, “Deepmimo: a generic deep learning dataset for millimeter wave and massive mimo applications to vehicular communications,” SSRN Electron. J., 2023, doi: https://doi.org/10.2139/ssrn.4383745.

Remcom, “Electromagnetic Simulation Software.” https://www.remcom.com/.

R. He et al., “Clustering enabled wireless channel modeling using big data algorithms,” IEEE Commun. Mag., vol. 56, no. 5, pp. 177–183, 2018, doi: https://doi.org/10.1109/MCOM.2018.1700701.

A. Templeton, “Towards monosemanticity: decomposing language models with dictionary learning,” Transformer Circuits Thread, 2023. https://transformer-circuits.pub/2023/monosemantic-features/index.html.

A. Templeton, “Scaling monosemanticity: extracting interpretable features from claude 3 sonnet,” Transformer Circuits Thread, 2024. https://transformer-circuits.pub/2024/scaling-monosemanticity/index.html.

“Mapping the mind of a large language model,” Web-site, 2024. https://www.anthropic.com/news/mapping-mind-language-model.

M. Shafi et al., “5G: A tutorial overview of standards, trials, challenges, deployment, and practice,” IEEE J. Sel. Areas Commun., vol. 35, no. 6, pp. 1201–1221, 2017, doi: https://doi.org/10.1109/JSAC.2017.2692307.

M. Giordani, M. Polese, M. Mezzavilla, S. Rangan, M. Zorzi, “Toward 6G networks: use cases and technologies,” IEEE Commun. Mag., vol. 58, no. 3, pp. 55–61, 2020, doi: https://doi.org/10.1109/MCOM.001.1900411.

T. S. Rappaport et al., “Wireless communications and applications above 100 GHz: Opportunities and challenges for 6G and beyond,” IEEE Access, vol. 7, pp. 78729–78757, 2019, doi: https://doi.org/10.1109/ACCESS.2019.2921522.

P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” J. Comput. Appl. Math., vol. 20, pp. 53–65, 1987, doi: https://doi.org/10.1016/0377-0427(87)90125-7.

I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin, A. Courville, “Improved training of wasserstein GANs,” in NIPS’17: Proceedings of the 31st International Conference on Neural Information Processing Systems, 2017, pp. 5769–5779, doi: https://doi.org/10.5555/3295222.3295327.

M. Arjovsky, S. Chintala, L. Bottou, “Wasserstein generative adversarial networks,” in Proceedings of the 34th International Conference on Machine Learning, 2017, pp. 214–223, uri: https://proceedings.mlr.press/v70/arjovsky17a.html.

I. GitHub, “Multi-freqeuncy millimeter wave channel modeling via generative adversarial network,” Web-site, 2021. https://github.com/klmyyaqihu/mmwchanmod-GAN.

Порівняння азимутальних кутів з кутами нахилу

Опубліковано

2024-02-25 — Оновлено 2024-02-25

Як цитувати

Закарія, Я. А. (2024). Моделювання каналів міліметрових хвиль за допомогою генеративних змагальних мереж. Вісті вищих учбових закладів. Радіоелектроніка, 67(2), 100–110. https://doi.org/10.20535/S0021347024010035

Номер

Розділ

Оригінальні статті