一种基于窗口的低复杂度学习框架，用于利用WiSARD技术实现自适应的6G波束选择

《Computer Networks》：A low-complexity window-based learning framework for adaptive 6G beam selection using WiSARD

6G毫米波通信中，传统深度神经网络（DNN）存在计算成本高、无法实时适应的问题，而现有在线算法又难以有效整合LiDAR、GPS等多模态高维数据。本文提出基于WiSARD无权神经网络的滑动窗口学习框架，通过动态遗忘 obsolete 统计数据实现低延迟实时训练，在Raymobtime数据集上验证其预测精度达61.0%，较基线提升4.6%，且训练时间快99.78%。

　　

乔安娜·C·曼哈雷斯（Joanna C. Manjarres）| 道格拉斯·O·卡多索（Douglas O. Cardoso）| 约瑟·费雷拉·德雷森德（José Ferreira De Rezende）

PESC，里约热内卢联邦大学（Federal University of Rio de Janeiro），Cidade Universitária校区，技术中心（Centro de Tecnologia），H号楼，319室，里约热内卢，21941-972，巴西

摘要

毫米波（mmWave）通信是6G技术的核心，但在动态环境中进行高效波束选择时，穷举搜索方法并不实用。传统的深度神经网络（DNN）可以利用丰富的环境数据（例如LiDAR、GPS）来实现高精度，但计算成本较高且需要离线运行，无法实现实时适应。相反，现有的低延迟在线算法无法整合高维环境数据，这导致了环境信息丰富性与适应能力之间的关键权衡。本文提出了一个低复杂度框架，旨在在资源受限的边缘设备上同时实现高环境精度和快速适应。我们提出了一种基于无权重神经网络（WNN）的解决方案——WiSARD模型，并结合了一种新颖的基于窗口的学习策略，通过遗忘过时的统计信息来实现适应。该框架使用多模态（LiDAR和GPS）环境数据与最先进的DNN模型进行了评估。在基于窗口的适应性评估中，WiSARD模型的Top-1准确率达到61.0%，优于基线模型（分别为56.0%和49.0%），同时所需训练数据量减少了47%。更重要的是，WiSARD模型的训练时间比基线模型快了99.78%。这些结果表明，基于窗口的WiSARD框架是实现6G波束管理的有效且实用的解决方案。

引言

毫米波（mmWave）通信在30–300 GHz频率范围内运行，提供了巨大的带宽和高数据传输速率，使其成为5G技术的基石，并为未来的6G网络奠定了基础[1]。然而，毫米波的传播极易受到环境变化的影响，存在严重的路径损耗、角度扩散、延迟扩展和频繁的遮挡问题[2]。这种对环境变化的敏感性是毫米波系统面临的最关键挑战之一。

在这些高频率下，短波长使得能够实现强定向传输，从而克服严重的传播损耗。因此，用户（如车辆、手持设备）、动态障碍物（如其他车辆或行人）或环境变化（如降雨、植被）的微小移动都可能在几毫秒内显著影响信道使用情况。为了补偿高路径损耗并保持链接可靠性，发射机和接收机采用大型天线阵列进行波束成形。这种技术生成并定向窄而高增益的波束，以在通信设备之间建立对齐的高质量链接。确定能够最大化信噪比（SNR）或吞吐量的最佳发射-接收波束对是波束选择问题[3]的核心。在这项工作中，我们特别关注初始接入（IA）阶段的波束选择挑战。与依赖活跃链接历史的波束跟踪方法不同，我们的方法利用环境信息来加速没有先前信道状态信息的用户的链接建立过程。

传统的波束搜索策略（如穷举搜索或分层搜索）虽然稳健，但计算成本高，不适合快速变化的移动环境[2] [4]。由于信道相干时间短和突然的遮挡，需要近乎即时的波束重新选择。

数据驱动的方法提高了效率。压缩感知利用了信道的稀疏性，而监督学习和强化学习则利用环境数据预测波束索引[5] [6] [7]。基于上下文的多模态学习通过结合LiDAR、GPS和摄像头等辅助数据进一步减少了开销[8] [9]。

尽管取得了这些进展，但最先进的模型（DNN、CNN）通常以离线批量模式运行，需要大量的静态数据集和重新训练，这阻碍了边缘设备的实时操作。虽然在线学习范式[10]可以逐步适应，但它们经常使用基于梯度的优化或深度结构，引入了不适合边缘设备应用的延迟。

此外，这形成了一个权衡：在线方法缺乏处理丰富高维环境信息（如LiDAR数据）的能力，而能够处理这类数据的批量学习算法又缺乏实时适应性。

我们提出的基于窗口的学习方法通过结合基于上下文的信息捕获信道动态与无权重神经网络（WiSARD）来高效整合高维环境信息，从而弥补了这一缺陷。我们使用光线追踪技术评估了性能模型。Raymobtime数据集收集了真实的无线通信数据，单模态（坐标或LiDAR数据）和多模态（坐标+LiDAR数据）信息被用于波束选择问题。我们评估了三种类型的窗口，以评估性能模型并将WiSARD的结果与基线模型进行比较。

与最佳基线机器学习方法相比，所提出的框架在Top-1波束预测准确性上提高了多达4.6%，同时训练时间减少了99.98%。这些结果突显了基于WiSARD的方法在6G系统中实现高效、自适应和低延迟波束管理的潜力。

本文的主要贡献包括：

• -
  算法贡献：一种基于WiSARD的波束选择算法，具有竞争力高的准确性和显著降低的计算复杂性。
• -
  方法论贡献：一种滑动窗口、基于上下文的方法，用于捕获信道动态并整合高维环境信息。
• -
  实证贡献：使用固定和增量窗口配置进行仿真实验，以评估准确性和效率，并与批量学习基线进行对比。

本文的其余部分安排如下：第2节回顾了现有的批量和在线波束选择方法；第3节介绍了系统模型；第4节描述了所提出的基于WiSARD的学习框架；第6节详细介绍了基于窗口的适应方法；第7节介绍了实验设置并讨论了相应的结果；最后，第8节总结了本文。

波束选择综述

毫米波（mmWave）系统依靠30–300 GHz的高频段提供所需的容量和低延迟，使其成为5G技术的基石，并为未来的6G网络铺平了道路[1]。然而，毫米波的传播极易受到环境动态的影响，面临严重的路径损耗、角度扩散、延迟扩展和频繁的遮挡问题[2]。这种对快速环境变化的敏感性是毫米波系统面临的最关键挑战之一。

在这些高频下，短波长使得能够实现强定向传输，从而克服严重的传播损耗。因此，用户（如车辆、手持设备）、动态障碍物（如其他车辆或行人）或环境变化（如降雨、植被）的微小移动都可能在几毫秒内显著影响信道使用情况。为了补偿高路径损耗并保持链接可靠性，发射机和接收机使用大型天线阵列进行波束成形。这种技术生成并定向窄而高增益的波束，以在通信设备之间建立对齐的高质量链接。识别能够最大化信噪比（SNR）或吞吐量的最佳发射-接收波束对是波束选择问题的核心[3]。在这项工作中，我们特别关注初始接入（IA）阶段的波束选择挑战。与依赖活跃链接历史的波束跟踪方法不同，我们的方法利用环境信息来加速没有先前信道状态信息的用户的链接建立过程。

传统的波束搜索策略（如穷举搜索或分层搜索）虽然稳健，但计算成本高，不适合快速变化的移动环境[2] [4]。由于信道相干时间短和突然的遮挡，需要近乎即时的波束重新选择。

数据驱动的方法提高了效率。压缩感知利用了信道的稀疏性，而监督学习和强化学习则利用环境数据预测波束索引[5] [6] [7]。基于上下文的多模态学习通过结合LiDAR、GPS和摄像头等辅助数据进一步减少了开销[8] [9]。

尽管取得了这些进展，但最先进的模型（DNN、CNN）通常以离线批量模式运行，需要大量的静态数据集和重新训练，这阻碍了边缘设备的实时操作。虽然在线学习范式[10]可以逐步适应，但它们经常使用基于梯度的优化或深度结构，引入了不适合边缘设备应用的延迟。

此外，这形成了一个权衡：在线方法缺乏处理丰富高维环境信息（如LiDAR数据）的能力，而能够处理这类数据的批量学习算法又缺乏实时适应性。

我们提出的基于窗口的学习方法通过结合基于上下文的信息捕获信道动态与无权重神经网络（WiSARD）来高效整合高维环境信息，从而弥补了这一缺陷。我们使用光线追踪技术评估了性能模型。Raymobtime数据集收集了真实的无线通信数据，单模态（坐标或LiDAR数据）和多模态（坐标+LiDAR数据）信息被用于波束选择问题。我们评估了三种类型的窗口，以评估性能模型并将WiSARD的结果与基线模型进行比较。

与最佳基线机器学习方法相比，所提出的框架在Top-1波束预测准确性上提高了4.6%，同时训练时间减少了99.98%。这些结果凸显了基于WiSARD的方法在6G系统中实现有效、自适应和低延迟波束管理的潜力。

本文的主要贡献包括：

• -
  算法贡献：一种基于WiSARD的波束选择算法，具有竞争力高的准确性和显著降低的计算复杂性。
• -
  方法论贡献：一种滑动窗口、基于上下文的方法，用于捕获信道动态并整合高维环境信息。
• -
  实证贡献：使用固定和增量窗口配置进行仿真实验，以评估准确性和效率，并与批量学习基线进行对比。

本文的其余部分安排如下：第2节回顾了现有的批量和在线波束选择方法；第3节介绍了系统模型；第4节描述了所提出的基于WiSARD的学习框架；第6节详细介绍了基于窗口的适应方法；第7节介绍了实验设置并讨论了相应结果；最后，第8节总结了本文。

系统模型

本文旨在研究一种高效的方法，用于选择在毫米波MIMO通信系统中最大化接收信号功率的最佳发射和接收波束对。在本节中，我们正式介绍了系统模型、关键假设以及波束预测问题的定义。

我们考虑了一个毫米波多输入多输出（MIMO）通信系统，其中基站（BS）配备了N_t个天线，这些天线排列成均匀线性阵列（ULA）

基于WNN的学习方法

无权重神经网络（WNN）是一类利用基于内存的方法进行模式识别的机器学习模型，与传统加权网络有显著区别。WNN不是优化突触权重，而是直接在随机存取存储器（RAM）结构中存储和检索二进制模式[39]。

这种基于RAM的架构本质上提供了高处理速度、低计算复杂性和确定性推理能力

数据集描述

本研究使用Raymobtime数据集¹进行实验模拟。该数据集因其全面的多模态数据而广受认可，是由Raytrace生成的高保真合成数据集，专为辅助毫米波波束选择而设计。这些数据由UFPA和UT Austin的服务器生成，由Aldebaro Klautau教授、Robert Heath教授和Nuria González-Prelcic教授领导的研究小组协调。

基于窗口的学习方法

为了评估机器学习技术在动态毫米波系统中进行波束选择的有效性，我们开发了一种综合方法，比较了三种不同的基于窗口的方法：固定窗口、增量窗口和滑动窗口。目标是确定在不同环境条件下建立稳健链接的最有效解决方案。在此分析中，窗口的概念通过剧集数量来量化，每个剧集由

实验结果

本节对所提出的基于窗口的WiSARD框架进行了全面评估。首先详细介绍了所使用的数据预处理技术。然后介绍了用于比较的基线机器学习模型。接下来，我们分析了所提出的WiSARD模型的性能，重点关注其自适应能力。最后，我们进行了对比分析，从预测准确性和计算效率方面对我们的方法进行了基准测试

结论与未来工作

在本文中，我们提出了一种基于窗口的学习方法，用于毫米波波束选择，该方法利用了无权重神经网络（WNN），特别是WiSARD模型，并结合了单模态（GPS或LiDAR）和多模态（GPS + LiDAR）环境信息。结果表明，预处理技术（如温度计编码和方差减少）对于将WiSARD应用于波束选择问题非常有效。

WiSARD模型与基于DNN的模型相比表现出竞争力

CRediT作者贡献声明

乔安娜·C·曼哈雷斯（Joanna C. Manjarres）：撰写 – 审稿与编辑、原始草稿撰写、软件开发、方法论设计、调查分析、数据整理、概念化。道格拉斯·O·卡多索（Douglas O. Cardoso）：撰写 – 审稿与编辑、验证、监督、方法论设计、概念化。约瑟·费雷拉·德雷森德（José Ferreira De Rezende）：撰写 – 审稿与编辑、验证、资源管理、项目协调、方法论设计、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。