5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning
Modern communication systems can exploit the increasing number of sensor data currently used in advanced equipment and reduce the overhead associated with link configuration. Also, the increasing complexity of networks suggests that machine learning (ML), such as deep neural networks, can effectivel...
| Autor principal: | DIAS, Marcus Vinicius de Oliveira |
|---|---|
| Grau: | Dissertação |
| Idioma: | por |
| Publicado em: |
Universidade Federal do Pará
2019
|
| Assuntos: | |
| Acesso em linha: |
http://repositorio.ufpa.br/jspui/handle/2011/12064 |
| id |
ir-2011-12064 |
|---|---|
| recordtype |
dspace |
| spelling |
ir-2011-120642025-02-20T15:42:31Z 5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning Dados 5G MIMO e LIDAR para aprendizado de máquina: seleção de feixe mmWave usando aprendizagem profunda DIAS, Marcus Vinicius de Oliveira KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha http://lattes.cnpq.br/1596629769697284 Redes móveis 5G Aprendizado de máquina MIMO - Múltiplas entradas múltiplas saídas Seleção de vigas Rastreamento de raios Redes neurais convolucionais Redes neurais profundas Beam-selection Deep neural networks 5G Mobile network Ray-Tracing MIMO - Multiple input multiple output Machine learning Convolutional neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA INTELIGÊNCIA COMPUTACIONAL TELECOMUNICAÇÕES Modern communication systems can exploit the increasing number of sensor data currently used in advanced equipment and reduce the overhead associated with link configuration. Also, the increasing complexity of networks suggests that machine learning (ML), such as deep neural networks, can effectively improve 5G technologies. The lack of large datasets make harder to investigate the application of deep learning in wireless communication. This work presents a simulation methodology (RayMobTime) that combines a vehicle traffic simulation (SUMO) with a ray-tracing simulator (Remcom’s Wireless InSite), to generate channels that represents realistic 5G scenarios, as well as the creation of LIDAR sensor data (via Blensor). The created dataset is utilized to investigate beam-selection techniques on vehicle-to-infrastructure using millimeter waves on different architectures, such as distributed architecture (usage of the information of only a selected vehicle, and processing of data on the vehicle) and centralized architectures (usage of all present information provided by the sensors in a given moment, processing at the base station). The results indicate that deep convolutional neural networks can be utilized to select beams under a top-M classification framework. It also shows that a distributed LIDAR-based architecture provides robust performance irrespective of car penetration rate, outperforming other architectures, as well as can be used to detect line-of-sight (LOS) with reasonable accuracy. Sistemas de comunicação modernos podem explorar o crescente número de dados de sensores usados atualmente em equipamentos avançados e reduzir a sobrecarga associada à configuração de links. Além disso, a crescente complexidade das redes sugere que o aprendizado de máquina, como redes neurais profundas, podem ser utilizadas efetivamente para melhorar as tecnologias 5G. A falta de grandes conjuntos de dados dificulta a investigação da aplicação de aprendizado profundo na comunicação sem fio. Este trabalho apresenta uma metodologia de simulação (RayMobTime) que combina um simulador de tráfego de veículos (SUMO) com um simulador de ray-tracing (Remcom’s Wireless InSite), para gerar canais que representem cenários 5G realísticos, bem como a criação de dados de sensores LIDAR (através do Blensor). O conjunto de dados criado é utilizado para investigar técnicas de beam selection de veículo para infraestrutura usando ondas milimétricas em diferentes arquiteturas, como arquitetura distribuída (uso das informações de apenas um veículo selecionado e processamento de dados no veículo) e arquiteturas centralizadas (uso de todas as informações presentes fornecidas pelos sensores em um dado momento, processando na estação base). Os resultados indicam que redes neurais profundas convolucionais podem ser utilizadas para beam selection sob uma estrutura de classificação de top-M. Também mostra que uma arquitetura distribuída baseada em LIDAR fornece desempenho robusto independentemente da taxa de penetração de veículos, superando outras arquiteturas, bem como pode ser usada para detecção de visada direta com precisão razoável. 2019-11-13T13:10:58Z 2019-11-13T13:10:58Z 2019-08-29 Dissertação DIAS, Marcus Vinicius de Oliveira. 5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning. Orientador: Aldebaro Barreto da Rocha Klautau Júnior. 2019. 61 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em:http://repositorio.ufpa.br/jspui/handle/2011/12064 . Acesso em:. http://repositorio.ufpa.br/jspui/handle/2011/12064 por Acesso Aberto application/pdf Universidade Federal do Pará Brasil Instituto de Tecnologia UFPA Programa de Pós-Graduação em Engenharia Elétrica 1 CD-ROM |
| institution |
Repositório Institucional - Universidade Federal do Pará |
| collection |
RI-UFPA |
| language |
por |
| topic |
Redes móveis 5G Aprendizado de máquina MIMO - Múltiplas entradas múltiplas saídas Seleção de vigas Rastreamento de raios Redes neurais convolucionais Redes neurais profundas Beam-selection Deep neural networks 5G Mobile network Ray-Tracing MIMO - Multiple input multiple output Machine learning Convolutional neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA INTELIGÊNCIA COMPUTACIONAL TELECOMUNICAÇÕES |
| spellingShingle |
Redes móveis 5G Aprendizado de máquina MIMO - Múltiplas entradas múltiplas saídas Seleção de vigas Rastreamento de raios Redes neurais convolucionais Redes neurais profundas Beam-selection Deep neural networks 5G Mobile network Ray-Tracing MIMO - Multiple input multiple output Machine learning Convolutional neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA INTELIGÊNCIA COMPUTACIONAL TELECOMUNICAÇÕES DIAS, Marcus Vinicius de Oliveira 5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning |
| topic_facet |
Redes móveis 5G Aprendizado de máquina MIMO - Múltiplas entradas múltiplas saídas Seleção de vigas Rastreamento de raios Redes neurais convolucionais Redes neurais profundas Beam-selection Deep neural networks 5G Mobile network Ray-Tracing MIMO - Multiple input multiple output Machine learning Convolutional neural networks CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA INTELIGÊNCIA COMPUTACIONAL TELECOMUNICAÇÕES |
| description |
Modern communication systems can exploit the increasing number of sensor data currently used in advanced equipment and reduce the overhead associated with link configuration. Also, the increasing complexity of networks suggests that machine learning (ML), such as deep neural networks, can effectively improve 5G technologies. The lack of large datasets make harder to investigate the application of deep learning in wireless communication. This work presents a simulation methodology (RayMobTime) that combines a vehicle traffic simulation (SUMO) with a ray-tracing simulator (Remcom’s Wireless InSite), to generate channels that represents realistic 5G scenarios, as well as the creation of LIDAR sensor data (via Blensor). The created dataset is utilized to investigate beam-selection techniques on vehicle-to-infrastructure using millimeter waves on different architectures, such as distributed architecture (usage of the information of only a selected vehicle, and processing of data on the vehicle) and centralized architectures (usage of all present information provided by the sensors in a given moment, processing at the base station). The results indicate that deep convolutional neural networks can be utilized to select beams under a top-M classification framework. It also shows that a distributed LIDAR-based architecture provides robust performance irrespective of car penetration rate, outperforming other architectures, as well as can be used to detect line-of-sight (LOS) with reasonable accuracy. |
| author_additional |
KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha |
| author_additionalStr |
KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha |
| format |
Dissertação |
| author |
DIAS, Marcus Vinicius de Oliveira |
| title |
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning |
| title_short |
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning |
| title_full |
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning |
| title_fullStr |
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning |
| title_full_unstemmed |
5G MIMO and LIDAR data for machine learning: mmWave beam-selection using deep learning |
| title_sort |
5g mimo and lidar data for machine learning: mmwave beam-selection using deep learning |
| publisher |
Universidade Federal do Pará |
| publishDate |
2019 |
| url |
http://repositorio.ufpa.br/jspui/handle/2011/12064 |
| _version_ |
1832603302341115904 |
| score |
11.755432 |