喬安娜·C·曼哈雷斯（Joanna C. Manjarres）| 道格拉斯·O·卡多索（Douglas O. Cardoso）| 約瑟·費雷拉·德雷森德（José Ferreira De Rezende）
PESC，里約熱內(nèi)盧聯(lián)邦大學（Federal University of Rio de Janeiro），Cidade Universitária校區(qū)，技術中心（Centro de Tecnologia），H號樓，319室，里約熱內(nèi)盧，21941-972，巴西
毫米波（mmWave）通信在30–300 GHz頻率范圍內(nèi)運行，提供了巨大的帶寬和高數(shù)據(jù)傳輸速率，使其成為5G技術的基石，并為未來的6G網(wǎng)絡奠定了基礎[1]。然而，毫米波的傳播極易受到環(huán)境變化的影響，存在嚴重的路徑損耗、角度擴散、延遲擴展和頻繁的遮擋問題[2]。這種對環(huán)境變化的敏感性是毫米波系統(tǒng)面臨的最關鍵挑戰(zhàn)之一。
在這些高頻率下，短波長使得能夠?qū)崿F(xiàn)強定向傳輸，從而克服嚴重的傳播損耗。因此，用戶（如車輛、手持設備）、動態(tài)障礙物（如其他車輛或行人）或環(huán)境變化（如降雨、植被）的微小移動都可能在幾毫秒內(nèi)顯著影響信道使用情況。為了補償高路徑損耗并保持鏈接可靠性，發(fā)射機和接收機采用大型天線陣列進行波束成形。這種技術生成并定向窄而高增益的波束，以在通信設備之間建立對齊的高質(zhì)量鏈接。確定能夠最大化信噪比（SNR）或吞吐量的最佳發(fā)射-接收波束對是波束選擇問題[3]的核心。在這項工作中，我們特別關注初始接入（IA）階段的波束選擇挑戰(zhàn)。與依賴活躍鏈接歷史的波束跟蹤方法不同，我們的方法利用環(huán)境信息來加速沒有先前信道狀態(tài)信息的用戶的鏈接建立過程。
傳統(tǒng)的波束搜索策略（如窮舉搜索或分層搜索）雖然穩(wěn)健，但計算成本高，不適合快速變化的移動環(huán)境[2] [4]。由于信道相干時間短和突然的遮擋，需要近乎即時的波束重新選擇。
數(shù)據(jù)驅(qū)動的方法提高了效率。壓縮感知利用了信道的稀疏性，而監(jiān)督學習和強化學習則利用環(huán)境數(shù)據(jù)預測波束索引[5] [6] [7]。基于上下文的多模態(tài)學習通過結合LiDAR、GPS和攝像頭等輔助數(shù)據(jù)進一步減少了開銷[8] [9]。
盡管取得了這些進展，但最先進的模型（DNN、CNN）通常以離線批量模式運行，需要大量的靜態(tài)數(shù)據(jù)集和重新訓練，這阻礙了邊緣設備的實時操作。雖然在線學習范式[10]可以逐步適應，但它們經(jīng)常使用基于梯度的優(yōu)化或深度結構，引入了不適合邊緣設備應用的延遲。
此外，這形成了一個權衡：在線方法缺乏處理豐富高維環(huán)境信息（如LiDAR數(shù)據(jù)）的能力，而能夠處理這類數(shù)據(jù)的批量學習算法又缺乏實時適應性。
我們提出的基于窗口的學習方法通過結合基于上下文的信息捕獲信道動態(tài)與無權重神經(jīng)網(wǎng)絡（WiSARD）來高效整合高維環(huán)境信息，從而彌補了這一缺陷。我們使用光線追蹤技術評估了性能模型。Raymobtime數(shù)據(jù)集收集了真實的無線通信數(shù)據(jù)，單模態(tài)（坐標或LiDAR數(shù)據(jù)）和多模態(tài)（坐標+LiDAR數(shù)據(jù)）信息被用于波束選擇問題。我們評估了三種類型的窗口，以評估性能模型并將WiSARD的結果與基線模型進行比較。
與最佳基線機器學習方法相比，所提出的框架在Top-1波束預測準確性上提高了多達4.6%，同時訓練時間減少了99.98%。這些結果突顯了基于WiSARD的方法在6G系統(tǒng)中實現(xiàn)高效、自適應和低延遲波束管理的潛力。
本文的主要貢獻包括：
- -
算法貢獻：一種基于WiSARD的波束選擇算法，具有競爭力高的準確性和顯著降低的計算復雜性。
- -
方法論貢獻：一種滑動窗口、基于上下文的方法，用于捕獲信道動態(tài)并整合高維環(huán)境信息。
- -
實證貢獻：使用固定和增量窗口配置進行仿真實驗，以評估準確性和效率，并與批量學習基線進行對比。
本文的其余部分安排如下：第2節(jié)回顧了現(xiàn)有的批量和在線波束選擇方法；第3節(jié)介紹了系統(tǒng)模型；第4節(jié)描述了所提出的基于WiSARD的學習框架；第6節(jié)詳細介紹了基于窗口的適應方法；第7節(jié)介紹了實驗設置并討論了相應的結果；最后，第8節(jié)總結了本文。
波束選擇綜述
毫米波（mmWave）系統(tǒng)依靠30–300 GHz的高頻段提供所需的容量和低延遲，使其成為5G技術的基石，并為未來的6G網(wǎng)絡鋪平了道路[1]。然而，毫米波的傳播極易受到環(huán)境動態(tài)的影響，面臨嚴重的路徑損耗、角度擴散、延遲擴展和頻繁的遮擋問題[2]。這種對快速環(huán)境變化的敏感性是毫米波系統(tǒng)面臨的最關鍵挑戰(zhàn)之一。
在這些高頻下，短波長使得能夠?qū)崿F(xiàn)強定向傳輸，從而克服嚴重的傳播損耗。因此，用戶（如車輛、手持設備）、動態(tài)障礙物（如其他車輛或行人）或環(huán)境變化（如降雨、植被）的微小移動都可能在幾毫秒內(nèi)顯著影響信道使用情況。為了補償高路徑損耗并保持鏈接可靠性，發(fā)射機和接收機使用大型天線陣列進行波束成形。這種技術生成并定向窄而高增益的波束，以在通信設備之間建立對齊的高質(zhì)量鏈接。識別能夠最大化信噪比（SNR）或吞吐量的最佳發(fā)射-接收波束對是波束選擇問題的核心[3]。在這項工作中，我們特別關注初始接入（IA）階段的波束選擇挑戰(zhàn)。與依賴活躍鏈接歷史的波束跟蹤方法不同，我們的方法利用環(huán)境信息來加速沒有先前信道狀態(tài)信息的用戶的鏈接建立過程。
傳統(tǒng)的波束搜索策略（如窮舉搜索或分層搜索）雖然穩(wěn)健，但計算成本高，不適合快速變化的移動環(huán)境[2] [4]。由于信道相干時間短和突然的遮擋，需要近乎即時的波束重新選擇。
數(shù)據(jù)驅(qū)動的方法提高了效率。壓縮感知利用了信道的稀疏性，而監(jiān)督學習和強化學習則利用環(huán)境數(shù)據(jù)預測波束索引[5] [6] [7]。基于上下文的多模態(tài)學習通過結合LiDAR、GPS和攝像頭等輔助數(shù)據(jù)進一步減少了開銷[8] [9]。
盡管取得了這些進展，但最先進的模型（DNN、CNN）通常以離線批量模式運行，需要大量的靜態(tài)數(shù)據(jù)集和重新訓練，這阻礙了邊緣設備的實時操作。雖然在線學習范式[10]可以逐步適應，但它們經(jīng)常使用基于梯度的優(yōu)化或深度結構，引入了不適合邊緣設備應用的延遲。
此外，這形成了一個權衡：在線方法缺乏處理豐富高維環(huán)境信息（如LiDAR數(shù)據(jù)）的能力，而能夠處理這類數(shù)據(jù)的批量學習算法又缺乏實時適應性。
我們提出的基于窗口的學習方法通過結合基于上下文的信息捕獲信道動態(tài)與無權重神經(jīng)網(wǎng)絡（WiSARD）來高效整合高維環(huán)境信息，從而彌補了這一缺陷。我們使用光線追蹤技術評估了性能模型。Raymobtime數(shù)據(jù)集收集了真實的無線通信數(shù)據(jù)，單模態(tài)（坐標或LiDAR數(shù)據(jù)）和多模態(tài)（坐標+LiDAR數(shù)據(jù)）信息被用于波束選擇問題。我們評估了三種類型的窗口，以評估性能模型并將WiSARD的結果與基線模型進行比較。
與最佳基線機器學習方法相比，所提出的框架在Top-1波束預測準確性上提高了4.6%，同時訓練時間減少了99.98%。這些結果凸顯了基于WiSARD的方法在6G系統(tǒng)中實現(xiàn)有效、自適應和低延遲波束管理的潛力。
本文的主要貢獻包括：
- -
算法貢獻：一種基于WiSARD的波束選擇算法，具有競爭力高的準確性和顯著降低的計算復雜性。
- -
方法論貢獻：一種滑動窗口、基于上下文的方法，用于捕獲信道動態(tài)并整合高維環(huán)境信息。
- -
實證貢獻：使用固定和增量窗口配置進行仿真實驗，以評估準確性和效率，并與批量學習基線進行對比。
本文的其余部分安排如下：第2節(jié)回顧了現(xiàn)有的批量和在線波束選擇方法；第3節(jié)介紹了系統(tǒng)模型；第4節(jié)描述了所提出的基于WiSARD的學習框架；第6節(jié)詳細介紹了基于窗口的適應方法；第7節(jié)介紹了實驗設置并討論了相應結果；最后，第8節(jié)總結了本文。
系統(tǒng)模型
本文旨在研究一種高效的方法，用于選擇在毫米波MIMO通信系統(tǒng)中最大化接收信號功率的最佳發(fā)射和接收波束對。在本節(jié)中，我們正式介紹了系統(tǒng)模型、關鍵假設以及波束預測問題的定義。
我們考慮了一個毫米波多輸入多輸出（MIMO）通信系統(tǒng)，其中基站（BS）配備了Nt個天線，這些天線排列成均勻線性陣列（ULA）
基于WNN的學習方法
無權重神經(jīng)網(wǎng)絡（WNN）是一類利用基于內(nèi)存的方法進行模式識別的機器學習模型，與傳統(tǒng)加權網(wǎng)絡有顯著區(qū)別。WNN不是優(yōu)化突觸權重，而是直接在隨機存取存儲器（RAM）結構中存儲和檢索二進制模式[39]。
這種基于RAM的架構本質(zhì)上提供了高處理速度、低計算復雜性和確定性推理能力
數(shù)據(jù)集描述
本研究使用Raymobtime數(shù)據(jù)集1進行實驗模擬。該數(shù)據(jù)集因其全面的多模態(tài)數(shù)據(jù)而廣受認可，是由Raytrace生成的高保真合成數(shù)據(jù)集，專為輔助毫米波波束選擇而設計。這些數(shù)據(jù)由UFPA和UT Austin的服務器生成，由Aldebaro Klautau教授、Robert Heath教授和Nuria González-Prelcic教授領導的研究小組協(xié)調(diào)。
基于窗口的學習方法
為了評估機器學習技術在動態(tài)毫米波系統(tǒng)中進行波束選擇的有效性，我們開發(fā)了一種綜合方法，比較了三種不同的基于窗口的方法：固定窗口、增量窗口和滑動窗口。目標是確定在不同環(huán)境條件下建立穩(wěn)健鏈接的最有效解決方案。在此分析中，窗口的概念通過劇集數(shù)量來量化，每個劇集由
實驗結果
本節(jié)對所提出的基于窗口的WiSARD框架進行了全面評估。首先詳細介紹了所使用的數(shù)據(jù)預處理技術。然后介紹了用于比較的基線機器學習模型。接下來，我們分析了所提出的WiSARD模型的性能，重點關注其自適應能力。最后，我們進行了對比分析，從預測準確性和計算效率方面對我們的方法進行了基準測試
結論與未來工作
在本文中，我們提出了一種基于窗口的學習方法，用于毫米波波束選擇，該方法利用了無權重神經(jīng)網(wǎng)絡（WNN），特別是WiSARD模型，并結合了單模態(tài)（GPS或LiDAR）和多模態(tài)（GPS + LiDAR）環(huán)境信息。結果表明，預處理技術（如溫度計編碼和方差減少）對于將WiSARD應用于波束選擇問題非常有效。
WiSARD模型與基于DNN的模型相比表現(xiàn)出競爭力
CRediT作者貢獻聲明
喬安娜·C·曼哈雷斯（Joanna C. Manjarres）：撰寫 – 審稿與編輯、原始草稿撰寫、軟件開發(fā)、方法論設計、調(diào)查分析、數(shù)據(jù)整理、概念化。道格拉斯·O·卡多索（Douglas O. Cardoso）：撰寫 – 審稿與編輯、驗證、監(jiān)督、方法論設計、概念化。約瑟·費雷拉·德雷森德（José Ferreira De Rezende）：撰寫 – 審稿與編輯、驗證、資源管理、項目協(xié)調(diào)、方法論設計、概念化。
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文報告的工作。
