ML-based predictive beam selection for high-velocity users in mMIMO systems
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2019-09-30
Department
Major/Subject
Complex Systems
Mcode
SCI3060
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
82+8
Series
Abstract
The amount of mobile subscribers is growing each year and service is constantly required in increasingly difficult conditions. Notably, high-speed trains are an example of an environment where the extremely high velocities cause difficulties in obtaining sufficient signal quality. As the user equipment (UE) is constantly changing its position, the base station (BS) must adapt to this movement and predict the transmission direction in advance to mitigate the loss in signal quality. In this thesis, we study the application of machine learning algorithms for predictive beam selection. Beam selection is a process where the BS selects a suitable downlink beam out of a finite set of beams, which is called a grid of beams (GoB). We create a simulation environment where UEs move along a pre-defined path with scattering mirrors placed in random locations and measure the received signal gain in the downlink direction. The baseline algorithm is defined as a persistent model, in which the BS uses the optimal beam based on the feedback from the UE from the previous time step for downlink transmission. The baseline performance is compared with Long short-term memory (LSTM), Multi-layer perceptron (MLP), Support vector machine (SVM), Naive Bayes (NB) and Kalman filter (KF). In the experiments, we find that the baseline algorithm performance deteriorates when UE velocity, or number of scatterers or antennas is increased. When machine learning is used for predictive beam selection, the achieved gain averaged over velocities from 100 to 1500 km/h is around 2-35% higher compared to the baseline, depending on the number of scatterers and antennas. We also provide results of the empirical time complexities of the algorithms, allowing comparison between accuracy and time complexity. The results are promising, but further research is required to validate the concept in real-world communication systems.Mobiiliverkkojen käyttäjämäärä kasvaa jatkuvasti ja palvelua vaaditaan yhä vaativammissa ympäristöissä. Esimerkiksi luotijunissa suuret nopeudet hankaloittavat riittävän vahvan signaalin tarjoamista. Kun käyttäjät vaihtavat sijaintiaan jatkuvasti, täytyy tukiaseman sopeutua tähän liikkeeseen ja ennakoida lähetyssuunta, jotta signaalinlaatu pysyy halutulla tasolla. Tässä diplomityössä tutkitaan koneoppimismenetelmien soveltamista ennakoivaan keilanvalintaan. Keilanvalinnassa tukiasema valitsee sopivan lähetyskeilan mahdollisten keilojen joukosta. Kokeellisessa osuudessa luomme sirottavia peilejä sisältävän simuloidun ympäristön, jossa käyttäjät liikkuvat ennalta määritettyä polkua pitkin. Käyttäjät mittaavat signaalinvoimakkuutta tietyin väliajoin ja raportoivat sopivan lähetyskeilan tukiasemalle. Koneoppimisalgoritmien suorituskykyä keilanvalinnassa verrataan malliin, jossa edellisen ajanhetken mittausten perusteella voimakkain keila valitaan käytettäväksi seuraavassa mittauspisteessä. Vertailtavat koneoppimisalgoritmit ovat Long short-term memory -verkko (LSTM), monikerroksinen perseptroniverkko (MLP), tukivektorikone (SVM), Naiivi Bayesin luokitin (NB) ja Kalman-suodin (KF). Tuloksista nähdään, että verrokkimallin suorituskyky heikentyy, kun käyttäjien nopeutta tai peilien tai tukiaseman antennien määrää kasvatetaan. Koneoppimisalgoritmeillä saavutetaan 2-35% verrokkimallia suurempi signaalinvoimakkuus, kun tarkastellaan keskiarvoistettuja tuloksia 100 ja 1500 km/h nopeuksien välillä. Tuloksissa tarkastelemme myös algoritmien suoritusaikoja, mikä mahdollistaa vertailun mallien tarkkuuden ja aikakompleksisuuden välillä. Tulokset ovat lupaavia, mutta lisätutkimusta vaaditaan konseptin toimivuuden varmentamiseksi oikeissa mobiiliverkoissa.Description
Supervisor
Linna, RikuThesis advisor
Raeesi, OrodKeywords
machine learning, telecommunications, beamforming, neural networks, massive MIMO, 5G