XiaoMi-AI文件搜索系统
World File Search SystemB5G
下一代无线中的普适人工智能
摘要 欧洲 6G 旗舰项目 Hexa-X 的目标是对下一代移动网络进行探索性研究，旨在通过技术推动者结构将人类、物理和数字世界连接起来。在此范围内，主要研究挑战之一是超越 5G (B5G)/6G 系统的雄心，通过将人工智能 (AI)/机器学习 (ML) 技术转化为可供更广泛社会使用的互联智能的大规模部署的重要和值得信赖的工具，支持、增强和实现实时可信控制。因此，需要研究和开发实现 B5G/6G 通信系统的 AI 驱动通信和计算协同设计的概念和解决方案。本文重点介绍将 AI 和 ML 机制（重点是 ML）应用于 6G 网络后出现的可能性，确定由此产生的挑战并提出一些潜在的解决方案。
无线通信向 6G 的演进 - 阿尔托 | 研究
摘要：第五代移动网络（5G）作为工业4.0的基本推动者，通过人工智能和云计算（CC）促进了数字化转型和智能制造。然而，B5G被视为一个转折点，它将从根本上改变无线通信实践以及大众生活的现有全球趋势。B5G预见了一个物理与数字融合的世界。本研究旨在展望5G之后的世界，向6G的过渡将成为未来无线通信技术的主导。然而，尽管取得了一些进展，但无延迟、前所未有的互联网速度和外星通信时代的梦想尚未成为现实。本文探讨了5G-6G过渡在实现这些更大理想时可能面临的主要障碍和挑战。本文为6G提供了愿景，促进了技术基础设施、挑战和研究，最终实现了“技术为人类服务”的目标，并为弱势群体提供了更好的服务。
人工智能赋能多路访问超级...
摘要 — 太赫兹 (THz) 无线网络有望催化第五代 (B5G) 时代。然而，由于 THz 链路的方向性和视距需求，以及 THz 网络的超密集部署，介质访问控制 (MAC) 层需要面对许多挑战。更详细地说，通过结合能够在复杂且频繁变化的环境中提供“实时”解决方案的人工智能 (AI)，重新考虑用户关联和资源分配策略的必要性变得显而易见。此外，为了满足多个 B5G 应用的超可靠性和低延迟需求，需要新颖的移动性管理方法。在此基础上，本文提出了一种整体的 MAC 层方法，该方法可实现智能用户关联和资源分配，以及灵活和自适应的移动性管理，同时通过最小化阻塞来最大限度地提高系统的可靠性。更详细地，记录了一种快速集中的联合用户关联、无线电资源分配和阻塞避免，该方法通过一种新颖的元启发式机器学习框架实现，可最大限度地提高 THz 网络性能，同时将关联延迟最小化大约三个数量级。为了在接入点 (AP) 覆盖范围内支持移动性和避免阻塞，讨论了一种用于波束选择的深度强化学习 (DRL) 方法。最后，为了支持相邻 AP 覆盖区域之间的用户移动性，报告了一种基于 AI 辅助快速信道预测的主动切换机制。
基本范围和红外范围系统 -
摘要 - 在各种应用中，对准确的实施系统的需求正在增长，但是面对挑战，因为常规技术（例如全球定位系统（GPS））在内部环境中存在局限性。在这种情况下，光传感器作为有希望的解决方案出现。本文使用2D交易介绍了内部定位系统的开发和评估，并由3D交易的初步研究补充。拟议的系统采用人工神经网络（RNA）来提高内部环境中人们定位的准确性，旨在超过5G（B5G）应用。项目体系结构包括数据采集，处理和结果的可视化，其中涉及对象检测的方法，专门处理数据以及神经网络的应用来识别人们。结果表明，与2D的技术交易可有效检测指定区域内的人员，是内部定位的有前途解决方案，具有未来3D处理集成的潜力。
卫星和空间通信
卫星通信技术的快速发展拓展了卫星网络的边界，成为 5G、超 5G（B5G）和 6G 等新标准的基石。这些为先进的卫星地面集成奠定了基础，为应对前所未有的技术挑战提供了机会。通过创建适用于各种用例的高弹性卫星网络，科学界正在为跨不同环境的安全高速通信开辟可能性。将卫星系统与地面和空中网络相结合，催化了新的研发方向，形成了一种无缝的“随时随地”服务模式。这种集成支持分布式卫星架构，为商业和战略领域的两用应用提供了更高的灵活性、可扩展性和容错能力。这种转变吸引了学术界和工业界的注意力，致力于确保安全、有弹性和智能的卫星网络，这些网络利用人工智能、先进的传感和强大的安全性——这是 6G 生态系统必不可少的一套驱动因素。
在 5G 及 5G 之后的网络中发挥 AI/ML 的力量.docx
本文介绍了目前在 5G 和 B5G 网络中研究和利用的人工智能 (AI) 和机器学习 (ML) 的主要相关机制。该研究解释了 AI/ML 在电信行业的各种应用。介绍了一类神经网络，一般来说，它们是非线性统计数据建模和决策工具。它们通常用于对系统的输入和输出参数之间的复杂关系进行建模或在数据中查找模式。前馈神经网络、深度神经网络、循环神经网络和卷积神经网络属于这一类。强化学习关注智能代理必须如何采取行动才能最大化集体奖励，例如改善系统的属性。深度强化学习结合了深度神经网络，具有可以对非结构化数据进行操作的优势。提出了混合解决方案，例如组合分析和机器学习建模以及专家知识辅助机器学习。最后，介绍了其他具体方法，例如生成对抗网络 (GAN) 和无监督学习和聚类。
信息手册
计算机视觉、物联网、网络物理系统、自然语言处理、农业人工智能、语音/音频、视觉、文本和时间序列数据的应用机器学习、社交媒体分析、机器学习、无线传感器网络、物联网、群体智能、优化算法、高性能计算、量子计算、通信网络的人工智能/机器学习：联邦学习、物联网边缘云连续系统、先进移动通信（B5G/6G）、先进计算机网络中的博弈论应用、软计算、机器学习和深度学习、区块链、对抗性机器学习、网络安全 兼职/自筹资金/赞助：脑机接口、机器学习、计算机视觉、物联网、网络物理系统、自然语言处理、农业人工智能、语音/音频、视觉、文本和时间序列数据的应用机器学习、社交媒体分析、数据挖掘、机器学习、无线传感器网络、物联网、群体智能、优化算法、高性能计算、量子计算、通信网络的人工智能/机器学习：联邦学习、
6G 架构前景 - 5G-PPP
本白皮书总结了欧洲研究领域关于 6G 架构愿景的主要发现。这一设计愿景源自 2020 年 10 月开始的约 45 个项目，涉及 5G 所有相关领域，同时为 6G 铺平道路，这些项目属于欧洲研究与创新框架范围内的 5G 公私合作伙伴关系 (5G PPP) 范畴（贡献项目列表可从 5G PPP 网站 https://5g-ppp.eu/5g-ppp-phase-3-projects/ 获取）。目前，欧洲网络研究界已启动一项新计划以及智能网络和服务 (SNS) 计划中的 33 个项目，该计划将专注于 5G 先进和 6G。作为 5G PPP 计划的一部分，5G/B5G 架构工作组 (WG) 正在识别和捕捉实现 5G 和 6G 架构的新趋势和关键技术推动因素。架构工作组的主要发现和成果现都记录在本白皮书中，该白皮书从欧洲视角对 6G 时代架构设计的技术方向进行了综合概述。
基于 ODMA 的多天线接收器无源随机接入方案
下一代无线通信系统需要高可靠性、高连接密度和低延迟。这使得大规模机器类型通信 (mMTC) [1] 成为 5G 及 5G 后 (B5G) 系统的一个关键特性。在 mMTC 中，大量设备（例如，每平方公里数百万台设备）具有低传输功率和短有效载荷，它们会不时地与基站 (BS) 进行通信，无需任何协调，也就是说，在任何给定时间，只有一小部分设备处于活动状态。传统的基于授权的多址接入方法，其中 BS 为每个用户分配固定资源（时间、频率、代码等），由于调度大量用户的过度延迟和信令开销，在物联网 (IoT) 等 mMTC 应用中变得不可行。为了解决这个问题，[2] 中引入了一种新的免授权随机接入范例，称为无源随机接入 (URA)。在 URA 中，设备共享相同的码本；因此，用户身份被删除，这允许任意数量的用户。接收器旨在恢复已传输消息的列表，而不管用户身份如何，并且每个用户的错误概率 (PUPE) 被采用作为主要错误度量。