مقاله توانمندسازی تحرک بومی هوش مصنوعی در 6G: مجموعه داده واقعی برای جابجایی، مدیریت پرتو و پیش‌پرداخت زمان.
,

مقاله توانمندسازی تحرک بومی هوش مصنوعی در 6G: مجموعه داده واقعی برای جابجایی، مدیریت پرتو و پیش‌پرداخت زمان.

تومان249,950

برای رفع مشکلات زمان بالای وقفه و سربار گزارش اندازه‌گیری در شرایط تحرک تجهیزات کاربر (UE)، به‌ویژه در موارد استفاده پرسرعت 5G، استفاده از تکنیک‌های هوش مصنوعی/یادگیری ماشین (مدیریت پرتو و رویه‌های تح…

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperPaper-0000000141 دسته: ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

توانمندسازی تحرک بومی هوش مصنوعی در 6G: مجموعه داده واقعی برای جابجایی، مدیریت پرتو و پیش‌پرداخت زمان.

Enabling AI-Native Mobility in 6G: A Real-World Dataset for Handover, Beam Management, and Timing Advance

نویسندگان: Mannam Veera Narayana, Rohit Singh, Deepa M. R, Radha Krishna Ganti

شناسه منبع: arxiv / 2605.12453

دسته: Signal Processing,Artificial Intelligence,Databases,Machine Learning,Networking and Internet Architecture

چکیده (فارسی)

برای رفع مشکلات زمان بالای وقفه و سربار گزارش اندازه‌گیری در شرایط تحرک تجهیزات کاربر (UE)، به‌ویژه در موارد استفاده پرسرعت 5G، استفاده از تکنیک‌های هوش مصنوعی/یادگیری ماشین (مدیریت پرتو و رویه‌های تحرک با هوش مصنوعی/یادگیری ماشین) پیشنهاد شده است. این تکنیک‌ها به شدت به داده‌هایی متکی هستند که اغلب برای سناریوهای مختلف شبیه‌سازی می‌شوند و رفتار واقعی استقرار یا الگوهای ترافیک کاربر را به دقت منعکس نمی‌کنند. بنابراین، نیاز مبرمی به مجموعه داده‌های واقع‌گرایانه تحت شرایط مختلف وجود دارد. این پژوهش، مجموعه داده‌ای را ارائه می‌دهد که از یک شبکه تجاری مستقر شده در حالت‌های مختلف تحرک (پیاده، دوچرخه، خودرو، اتوبوس و قطار) و با سرعت‌های مختلف برای نمایش تحرک واقعی UE جمع‌آوری شده است. در حین جمع‌آوری مجموعه داده، تمرکز اصلی ما بر سناریوهای هنداور (HO) بود، با هدف کاهش زمان وقفه هنداور و حفظ توان عملیاتی پیوسته در طول و بلافاصله پس از اجرای هنداور. برای پشتیبانی از این تحقیق، مجموعه داده شامل اندازه‌گیری‌های زمان پیشروی (TA) در رویدادهای سیگنالینگ مختلف مانند ماشه RACH، MAC CE و اعطای PDCCH است که معمولاً در کارهای موجود وجود ندارند. ما توضیحات دقیقی از نحوه ایجاد مجموعه داده؛ راه‌اندازی آزمایش، کسب و استخراج داده‌ها را پوشش می‌دهیم. همچنین، تحلیل اکتشافی داده‌ها را با تمرکز اصلی بر تحرک، مدیریت پرتو و TA پوشش می‌دهیم. ما موارد استفاده متعددی را مورد بحث قرار می‌دهیم که در آن‌ها مجموعه داده پیشنهادی می‌تواند به درک استنتاج مدل هوش مصنوعی/یادگیری ماشین کمک کند. یکی از این موارد استفاده، آموزش و ارزیابی مدل‌های مختلف هوش مصنوعی/یادگیری ماشین برای پیش‌بینی TA است.

Abstract (English)

To address the issues of high interruption time and measurement report overhead under user equipment (UE) mobility especially in high speed 5G use cases the use of AI/ML techniques (AI/ML beam management and mobility procedures) have been proposed. These techniques rely heavily on data that are most often simulated for various scenarios and do not accurately reflect real deployment behavior or user traffic patterns. Therefore, there is an utmost need for realistic datasets under various conditions. This work presents a dataset collected from a commercially deployed network across various modes of mobility (pedestrian, bike, car, bus, and train) and at multiple speeds to depict real time UE mobility. When collecting the dataset, we focused primarily on handover (HO) scenarios, with the aim of reducing the HO interruption time and maintaining continuous throughput during and immediately after HO execution. To support this research, the dataset includes timing advance (TA) measurements at various signaling events such as RACH trigger, MAC CE, and PDCCH grant which are typically missing in existing works. We cover a detailed description of the creation of the dataset; experimental setup, data acquisition, and extraction. We also cover an exploratory analysis of the data, with a primary focus on mobility, beam management, and TA. We discuss multiple use cases in which the proposed dataset can facilitate understanding of the inference of the AI/ML model. One such use case is to train and evaluate various AI/ML models for TA prediction.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “مقاله توانمندسازی تحرک بومی هوش مصنوعی در 6G: مجموعه داده واقعی برای جابجایی، مدیریت پرتو و پیش‌پرداخت زمان.”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا