ترجمه فارسی مقاله پیش بینی پرتو بر اساس مدل های بزرگ زبان

چکیده

Millimeter-wave (mmWave) communication is promising for next-generation wireless networks but suffers from significant path loss, requiring extensive antenna arrays and frequent beam training. Traditional deep learning models, such as long short-term memory (LSTM), enhance beam tracking accuracy however are limited by poor robustness and generalization. In this letter, we use large language models (LLMs) to improve the robustness of beam prediction. By converting time series data into text-based representations and employing the Prompt-as-Prefix (PaP) technique for contextual enrichment, our approach unleashes the strength of LLMs for time series forecasting. Simulation results demonstrate that our LLM-based method offers superior robustness and generalization compared to LSTM-based models, showcasing the potential of LLMs in wireless communications.

چکیده به فارسی (ترجمه ماشینی)

ارتباطات موج میلی متر (MMWAVE) برای شبکه های بی سیم نسل بعدی امیدوار کننده است اما از از دست دادن مسیر قابل توجهی رنج می برد و نیاز به آرایه های آنتن گسترده و آموزش پرتوهای مکرر دارد.مدلهای یادگیری عمیق سنتی ، مانند حافظه کوتاه مدت بلند مدت (LSTM) ، دقت ردیابی پرتو را افزایش می دهد اما با استحکام و تعمیم ضعیف محدود می شود.در این نامه ، ما از مدل های بزرگ زبان (LLM) برای بهبود استحکام پیش بینی پرتو استفاده می کنیم.با تبدیل داده های سری های زمانی به بازنمایی های مبتنی بر متن و استفاده از تکنیک سریع (PAP) برای غنی سازی متنی ، رویکرد ما قدرت LLMS را برای پیش بینی سری های زمانی رها می کند.نتایج شبیه سازی نشان می دهد که روش مبتنی بر LLM ما در مقایسه با مدل های مبتنی بر LSTM ، استحکام و تعمیم برتر را ارائه می دهد ، و پتانسیل LLM ها را در ارتباطات بی سیم نشان می دهد.