| 講演抄録／キーワード |
| 講演名 |
2021-11-16 09:30
Inter-User Distance Estimation in 5G mmWave Cellular Networks Using Deep Learning
○Mondher Bouazizi・Siyuan Yang・Tomoaki Ohtsuki（慶大） |
| 抄録 |
（和） |
In mmWave massive MIMO system, the distance between each pair of user equipments (UE) is of great importance and consideration. In the current work, a new method for inter-user distance estimate has been developed employing beam energy-based images. We consider a system where the Base Station (BS) creates beams with different width by means of an analog beamformer and sweep them during the broadcasting. Here, we consider that the BS sweeps a total number of beams equal to 4?4 or 8?8. By sensing the beams, each User Equipment (UE) reports the Received Signal Strength Indicator (RSSI) for each beam. At the BS, the RSSI report from each UE is transformed into a 2D image, where each pixel represents 1 beam. The color intensity of the pixel corresponds to the RSSI level. Given images generated for 2 users, we consider the difference between them (i.e., another image made of the pixel-wise subtraction) and use it as input to a neural network whose objective is to estimate the distance between them given such input image. To reduce the feedback overhead, while maintaining good performance, we employ SR on the 4?4 low resolution images to enhance them to match the 8?8 ones. We train the same Neural Network (NN) that we used in [1] to recover 8?8 images from the 4?4 ones. Throughout experiments, we show that the proposed method performed much better than the any conventional method that relies on the individual location detection even when using the images of size 4?4 without enhancement. Nonetheless, after applying SR to 4?4 images, we obtained results that are comparable to those of the 8?8 ones. It is worth mentioning that our method is more robust to change of the BS location compared to the location-based one. |
| （英） |
In mmWave massive MIMO system, the distance between each pair of user equipments (UE) is of great importance and consideration. In the current work, a new method for inter-user distance estimate has been developed employing beam energy-based images. We consider a system where the Base Station (BS) creates beams with different width by means of an analog beamformer and sweep them during the broadcasting. Here, we consider that the BS sweeps a total number of beams equal to 4?4 or 8?8. By sensing the beams, each User Equipment (UE) reports the Received Signal Strength Indicator (RSSI) for each beam. At the BS, the RSSI report from each UE is transformed into a 2D image, where each pixel represents 1 beam. The color intensity of the pixel corresponds to the RSSI level. Given images generated for 2 users, we consider the difference between them (i.e., another image made of the pixel-wise subtraction) and use it as input to a neural network whose objective is to estimate the distance between them given such input image. To reduce the feedback overhead, while maintaining good performance, we employ SR on the 4?4 low resolution images to enhance them to match the 8?8 ones. We train the same Neural Network (NN) that we used in [1] to recover 8?8 images from the 4?4 ones. Throughout experiments, we show that the proposed method performed much better than the any conventional method that relies on the individual location detection even when using the images of size 4?4 without enhancement. Nonetheless, after applying SR to 4?4 images, we obtained results that are comparable to those of the 8?8 ones. It is worth mentioning that our method is more robust to change of the BS location compared to the location-based one. |
| キーワード |
（和） |
5G mmWave networks / Co-location / Inter-user distance estimation / Deep learning / / / / |
| （英） |
5G mmWave networks / Co-location / Inter-user distance estimation / Deep learning / / / / |
| 文献情報 |
信学技報 |
| 資料番号 |
|
| 発行日 |
|
| ISSN |
|
| PDFダウンロード |
|
| 研究会情報 |
| 研究会 |
RISING |
| 開催期間 |
2021-11-15 - 2021-11-17 |
| 開催地（和） |
東京都内+EventIn |
| 開催地（英） |
|
| テーマ（和） |
超知性通信ネットワークに関する研究，一般 |
| テーマ（英） |
|
| 講演論文情報の詳細 |
| 申込み研究会 |
RISING |
| 会議コード |
2021-11-RISING |
| 本文の言語 |
英語（日本語タイトルあり） |
| タイトル（和） |
Inter-User Distance Estimation in 5G mmWave Cellular Networks Using Deep Learning |
| サブタイトル（和） |
|
| タイトル（英） |
Inter-User Distance Estimation in 5G mmWave Cellular Networks Using Deep Learning |
| サブタイトル（英） |
|
| キーワード(1)（和/英） |
5G mmWave networks / 5G mmWave networks |
| キーワード(2)（和/英） |
Co-location / Co-location |
| キーワード(3)（和/英） |
Inter-user distance estimation / Inter-user distance estimation |
| キーワード(4)（和/英） |
Deep learning / Deep learning |
| キーワード(5)（和/英） |
/ |
| キーワード(6)（和/英） |
/ |
| キーワード(7)（和/英） |
/ |
| キーワード(8)（和/英） |
/ |
| 第1著者 氏名（和/英/ヨミ） |
Mondher Bouazizi / Mondher Bouazizi / |
| 第1著者 所属（和/英） |
Keio University (略称： 慶大)
Keio University (略称： Keio Univ.) |
| 第2著者 氏名（和/英/ヨミ） |
Siyuan Yang / Siyuan Yang / |
| 第2著者 所属（和/英） |
Keio University (略称： 慶大)
Keio University (略称： Keio Univ.) |
| 第3著者 氏名（和/英/ヨミ） |
Tomoaki Ohtsuki / Tomoaki Ohtsuki / |
| 第3著者 所属（和/英） |
Keio University (略称： 慶大)
Keio University (略称： Keio Univ.) |
| 第4著者 氏名（和/英/ヨミ） |
/ / |
| 第4著者 所属（和/英） |
(略称： )
(略称： ) |
| 第5著者 氏名（和/英/ヨミ） |
/ / |
| 第5著者 所属（和/英） |
(略称： )
(略称： ) |
| 第6著者 氏名（和/英/ヨミ） |
/ / |
| 第6著者 所属（和/英） |
(略称： )
(略称： ) |
| 第7著者 氏名（和/英/ヨミ） |
/ / |
| 第7著者 所属（和/英） |
(略称： )
(略称： ) |
| 第8著者 氏名（和/英/ヨミ） |
/ / |
| 第8著者 所属（和/英） |
(略称： )
(略称： ) |
| 第9著者 氏名（和/英/ヨミ） |
/ / |
| 第9著者 所属（和/英） |
(略称： )
(略称： ) |
| 第10著者 氏名（和/英/ヨミ） |
/ / |
| 第10著者 所属（和/英） |
(略称： )
(略称： ) |
| 第11著者 氏名（和/英/ヨミ） |
/ / |
| 第11著者 所属（和/英） |
(略称： )
(略称： ) |
| 第12著者 氏名（和/英/ヨミ） |
/ / |
| 第12著者 所属（和/英） |
(略称： )
(略称： ) |
| 第13著者 氏名（和/英/ヨミ） |
/ / |
| 第13著者 所属（和/英） |
(略称： )
(略称： ) |
| 第14著者 氏名（和/英/ヨミ） |
/ / |
| 第14著者 所属（和/英） |
(略称： )
(略称： ) |
| 第15著者 氏名（和/英/ヨミ） |
/ / |
| 第15著者 所属（和/英） |
(略称： )
(略称： ) |
| 第16著者 氏名（和/英/ヨミ） |
/ / |
| 第16著者 所属（和/英） |
(略称： )
(略称： ) |
| 第17著者 氏名（和/英/ヨミ） |
/ / |
| 第17著者 所属（和/英） |
(略称： )
(略称： ) |
| 第18著者 氏名（和/英/ヨミ） |
/ / |
| 第18著者 所属（和/英） |
(略称： )
(略称： ) |
| 第19著者 氏名（和/英/ヨミ） |
/ / |
| 第19著者 所属（和/英） |
(略称： )
(略称： ) |
| 第20著者 氏名（和/英/ヨミ） |
/ / |
| 第20著者 所属（和/英） |
(略称： )
(略称： ) |
| 第21著者 氏名（和/英/ヨミ） |
/ / |
| 第21著者 所属（和/英） |
(略称： )
(略称： ) |
| 第22著者 氏名（和/英/ヨミ） |
/ / |
| 第22著者 所属（和/英） |
(略称： )
(略称： ) |
| 第23著者 氏名（和/英/ヨミ） |
/ / |
| 第23著者 所属（和/英） |
(略称： )
(略称： ) |
| 第24著者 氏名（和/英/ヨミ） |
/ / |
| 第24著者 所属（和/英） |
(略称： )
(略称： ) |
| 第25著者 氏名（和/英/ヨミ） |
/ / |
| 第25著者 所属（和/英） |
(略称： )
(略称： ) |
| 第26著者 氏名（和/英/ヨミ） |
/ / |
| 第26著者 所属（和/英） |
(略称： )
(略称： ) |
| 第27著者 氏名（和/英/ヨミ） |
/ / |
| 第27著者 所属（和/英） |
(略称： )
(略称： ) |
| 第28著者 氏名（和/英/ヨミ） |
/ / |
| 第28著者 所属（和/英） |
(略称： )
(略称： ) |
| 第29著者 氏名（和/英/ヨミ） |
/ / |
| 第29著者 所属（和/英） |
(略称： )
(略称： ) |
| 第30著者 氏名（和/英/ヨミ） |
/ / |
| 第30著者 所属（和/英） |
(略称： )
(略称： ) |
| 第31著者 氏名（和/英/ヨミ） |
/ / |
| 第31著者 所属（和/英） |
(略称： )
(略称： ) |
| 第32著者 氏名（和/英/ヨミ） |
/ / |
| 第32著者 所属（和/英） |
(略称： )
(略称： ) |
| 第33著者 氏名（和/英/ヨミ） |
/ / |
| 第33著者 所属（和/英） |
(略称： )
(略称： ) |
| 第34著者 氏名（和/英/ヨミ） |
/ / |
| 第34著者 所属（和/英） |
(略称： )
(略称： ) |
| 第35著者 氏名（和/英/ヨミ） |
/ / |
| 第35著者 所属（和/英） |
(略称： )
(略称： ) |
| 第36著者 氏名（和/英/ヨミ） |
/ / |
| 第36著者 所属（和/英） |
(略称： )
(略称： ) |
| 講演者 |
第1著者 |
| 発表日時 |
2021-11-16 09:30:00 |
| 発表時間 |
50分 |
| 申込先研究会 |
RISING |
| 資料番号 |
|
| 巻番号（vol） |
vol. |
| 号番号（no） |
|
| ページ範囲 |
|
| ページ数 |
|
| 発行日 |
|
|