Reciprocity-Aware Convolutional Neural Networks for Map-Based Path Loss Prediction

要約

パスロス・モデリングは、送信機（Tx）から受信機（Rx）までの通信リンクに沿ったポイント・ツー・ポイントの損失を推定するために広く使用されている技術である。正確なパスロス予測により、無線周波数スペクトラムの使用を最適化し、不要な干渉を最小限に抑えることができます。最新のパスロス・モデリングは、多くの場合、データ駆動型のアプローチを活用し、機械学習を使用して、ドライブテストの測定データセットでモデルを訓練します。ドライブテストは主にダウンリンクのシナリオを表しており、Txは建物の上に、Rxは移動する車両の上に配置されています。その結果、学習されたモデルはダウンリンクのカバレッジ推定に留まることが多く、アップリンクのシナリオを表現することができない。本論文では、データ補強を使用して、アップリンク、ダウンリンク、およびバックホールのシナリオに汎化されたパスロスモデルを、ダウンリンクのドライブテスト測定値のみを使用してトレーニングできることを実証する。アップリンクシナリオを表す少数の合成サンプルをトレーニングセットに追加することで、テストセットのアップリンクの例で平均二乗誤差が8dB以上減少した。

要約(オリジナル)

Path loss modeling is a widely used technique for estimating point-to-point losses along a communications link from transmitter (Tx) to receiver (Rx). Accurate path loss predictions can optimize use of the radio frequency spectrum and minimize unwanted interference. Modern path loss modeling often leverages data-driven approaches, using machine learning to train models on drive test measurement datasets. Drive tests primarily represent downlink scenarios, where the Tx is located on a building and the Rx is located on a moving vehicle. Consequently, trained models are frequently reserved for downlink coverage estimation, lacking representation of uplink scenarios. In this paper, we demonstrate that data augmentation can be used to train a path loss model that is generalized to uplink, downlink, and backhaul scenarios, training using only downlink drive test measurements. By adding a small number of synthetic samples representing uplink scenarios to the training set, root mean squared error is reduced by >8 dB on uplink examples in the test set.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL