[논문]Deep Scanning-Beam Selection Based on Deep Reinforcement Learning in Massive MIMO Wireless Communication System

Kim, Minhoe; Lee, Woongsup; Cho, Dong-Ho

doi:10.3390/electronics9111844

[해외논문] Deep Scanning-Beam Selection Based on Deep Reinforcement Learning in Massive MIMO Wireless Communication System 원문보기

Electronics, v.9 no.11, 2020년, pp.1844 -

Kim, Minhoe (Department of Communication Systems, EURECOM, 06410 Sophia-Antipolis, France) , Lee, Woongsup (Department of Information and Communication Engineering, Institute of Marine Industry, Gyeongsang National University, Tongyeong 53064, Korea) , Cho, Dong-Ho (Electrical Engineering School, Korea Advanced Institute of Science and Technology, Daejeon 34141, Korea)

Abstract ▼ AI-Helper

In this paper, we investigate a deep learning based resource allocation scheme for massive multiple-input-multiple-output (MIMO) communication systems, where a base station (BS) with a large scale antenna array communicates with a user equipment (UE) using beamforming. In particular, we propose Deep Scanning, in which a near-optimal beamforming vector can be found based on deep Q-learning. Through simulations, we confirm that the optimal beam vector can be found with a high probability. We also show that the complexity required to find the optimum beam vector can be reduced significantly in comparison with conventional beam search schemes.

참고문헌 (16)

Larsson Massive MIMO for next generation wireless systems IEEE Commun. Mag. 2014 10.1109/MCOM.2014.6736761 52 186

상세보기
Biguesh Training-based MIMO channel estimation: A study of estimator tradeoffs and optimal training signals IEEE Trans. Signal Process. 2006 10.1109/TSP.2005.863008 54 884

상세보기
Alkhateeb Limited feedback hybrid precoding for multi-user millimeter wave systems IEEE Trans. Wirel. Commun. 2015 10.1109/TWC.2015.2455980 14 6481

상세보기
Dahrouj Coordinated beamforming for the multicell multi-antenna wireless system IEEE Trans. Wirel. Commun. 2010 10.1109/TWC.2010.05.090936 9 1748

상세보기
(2020, February 03). IEEE Standards 802.11ad, Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications. Available online: https://standards.ieee.org/project/802_11.html.
Mnih, V., Kavukcuoglu, K., Silver, D., Graves, A., Antonoglou, I., Wierstra, D., and Riedmiller, M. (2013). Playing Atari With Deep Reinforcement Learning. arXiv.
Elbir Joint Antenna Selection and Hybrid Beamformer Design Using Unquantized and Quantized Deep Learning Networks IEEE Trans. Wirel. Commun. 2020 10.1109/TWC.2019.2956146 19 1677

상세보기
10.1109/APUSNCURSINRSM.2019.8888753 Elbir, A.M., and Mishra, K.V. (2019, January 7-12). Deep Learning Design for Joint Antenna Selection and Hybrid Beamforming in Massive MIMO. Proceedings of the 2019 IEEE International Symposium on Antennas and Propagation and USNC-URSI Radio Science Meeting, Atlanta, GA, USA.
10.1109/ITA.2018.8503086 Klautau, A., Batista, P., González-Prelcic, N., Wang, Y., and Heath, R.W. (2018, January 11-16). 5G MIMO Data for Machine Learning: Application to Beam-Selection Using Deep Learning. Proceedings of the 2018 Information Theory and Applications Workshop (ITA), San Diego, CA, USA.
10.1109/ICC.2010.5502350 Yang, D., Yang, L.L., and Hanzo, L. (2010, January 11). DFT-Based Beamforming Weight-Vector Codebook Design for Spatially Correlated Channels in the Unitary Precoding Aided Multiuser Downlink. Proceedings of the 2010 IEEE International Conference on Communications, Nanjing, China.
Mnih Human-level control through deep reinforcement learning Nature 2015 10.1038/nature14236 518 529

상세보기
10.1609/aaai.v30i1.10295 Van Hasselt, H., Guez, A., and Silver, D. (2015). Deep Reinforcement Learning with Double Q-Learning. arXiv.

상세보기
Nair, V., and Hinton, G.E. (2010, January 21-24). Rectified linear units improve restricted boltzmann machines. Proceedings of the 27th International Conference on Machine Learning, Haifa, Israel.
Bultitude, Y.D.J., and Rautiainen, T. (2007). IST-WINNER D1.1.2P WINNER II Channel Models, NOKIA.
Li On the efficient beam-forming training for 60 GHz wireless personal area networks IEEE Trans. Wirel. Commun. 2013 10.1109/TWC.2012.121412.110419 12 504

상세보기
Gilb, J.P. (2009). IEEE Standards 802.15.3c, Part 15.3: Wireless Medium Access Control (MAC) and Physical Layer (PHY) Specifications for High Rate Wireless Personal Area Networks (WPANs), IEEE Computer Society.

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

원문 보기

AccessON 원문보기

원문 URL 링크

DOI : 10.3390/electronics9111844 [무료]
Molecular Diversity Preservation International : 저널 > 논문 [무료]
AccessON : 저널

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증